看看滴滴大牛是如何從碼農到AI的華麗轉身
作者簡介
網名：小豬觀察員，來自浙江大學軟體工程的碩士研究生。在滴滴研究院大資料領航項 目中扮演核心成員，是位資深資料探勘、資料分析專家；
來自大神的自述：“本人碼農一枚，因公司需要開發使用者畫像，開始接觸機器學習。然後打開了另一扇門。個人認為機器學習對於碼農來說應該是一門必修課，就猶如java一樣，未來的開發中，機器學習會更加的普遍，成為一個個外掛。
從2017年5月27日，在柯潔與阿爾法圍棋的人機大戰之後。深度學習火遍了整個業界。從2013年開始，機器學習就已經開始升溫，只是在alphgo之後進入白熾化。本文主要是從一個碼農的角度介紹如何入手學習機器學習，如有不妥之處，還望指點。”
機器學習關鍵
機器學習關鍵是要弄明白四點：
1）什麼是機器學習
2）機器什麼時候可以學習。
3）機器是怎麼學習的，大部分情況我們都將注意力集中到這裡。
4）如何讓機器學習更好，比如增加資料量，正則化，通過aggregation方式等等。
推薦林軒田的機器學習基石和技法課程：
https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/
把各種機器學習演算法都串起來了，從線性模型中的pla到svm到邏輯迴歸，然後到非線性模型，模型之間的關聯，模型的優缺點都做了詳細的描述。感覺入門還是很不錯的，數學基礎也不用太多。
機器學習定義
何為機器學習，何為學習。如果一個系統能夠通過執行它的過程，而改善其效能，這就是學習。機器學習也有其他定義， “機器學習是一門人工智慧的科學，該領域的主要研究物件是人工智慧，特別是如何在經驗學習中改善具體演算法的效能”。 “機器學習是對能通過經驗自動改進的計算機演算法的研究”。 “機器學習是用資料或以往的經驗，以此優化計算機程式的效能標準。”
人類的學習又是如何的呢？當我們學習一個個單詞，學習數學，幾何，歷史等等，識別他人的聲音，辨別物體。形式化的說，我們大腦獲取外界輸入，聽覺、視覺、觸覺、味覺、嗅覺等輸入訊號，經過大腦神經網路處理，訊號轉換為相應特徵，最後轉換成知識儲存大腦中。最後進行各種行為反應。
機器學習分類
機器學習從學習方法上，分為監督學習、非監督學習、強化學習以及半監督學習。
監督學習
監督學習，是對於訓練集有相應的正確輸出。比如給定一組資料x:{房屋面積、朝向、精裝修否}，Y{房價}。然後給定一套房子的面積、朝向，輸出房價。監督學習有如下兩類：
分類問題,比如我們要從一堆人中辨別誰是好人，誰是壞人。這就是分類問題。簡單的講就是對一個問題，我們將其離散化到一個維度上。手寫識別，典型的資料集是：[MNIST](http://yann.lecun.com/exdb/mnist/)。
迴歸問題,比如預測明天的溫暖，根據今天以及最近一週的情況，給出明天的氣溫，溼度等。The target output is a real number or a whole vector of real numbers。
常用的監督學習演算法有：xgboost、gbdt、LR、決策樹、SVM、貝葉斯分類器、k鄰近等。當然深度學習也可以算作是監督學習，比如卷積神經網路進行手寫識別。
非監督學習
非監督學習，其實到現在為主基本數被忽略的物件，在未加標籤的資料中，試圖找到隱藏的結構。因為提供給學習者的例項是未標記的，因此沒有錯誤或報酬訊號來評估潛在的解決方案。因為就是給一堆資料給你，沒有標記這個資料是好還是壞，一般採用聚類的方式。比如常見的k-means聚類、密度聚類等。
非監督學習可以用來降維，如LDA(線性判別分析)、PCA(主成分分析)。
強化學習
強化學習我這裡採用Geoffrey Hinton 的定義：In reinforcement learning, the output is an action or sequence of actions and the only supervisory signal is an occasional scalar reward. 比如我們要訓練機器下棋，電腦輸出一個步驟，返回出這個棋局的好壞，如此反覆迴圈，直到電腦能夠記住怎麼下棋才是好琪。
常用的有蒙特卡洛強化學習、模仿學習等
學習資料進階作為一個從碼農到學習機器學習的過程中，也是一個自我學習，自我探索的過程。
數學知識是必備的：線性代數、概率論、高等數數學，當然其他的比如資訊理論，統計學，能多學點就多學點嘍
推薦如下的學習資料：
[統計學習方法](https://item.jd.com/10975302.html)
[機器學習](https://item.jd.com/11867803.html)
[深度學習](https://item.jd.com/13188291644.html)
MLAPP及PRML,參考連結：https://www.52ml.net/11578.html
視訊推薦
Geoffrey Hinton ：https://www.coursera.org/learn/neural-networks/home
Andrew Ng： https://www.coursera.org/learn/machine-learning/home
林軒田 ：https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/
看完這些差不多入門了，要想進一步提升，
**看論文
看論文
看論文**
https://arxiv.org/pdf/1603.02754.pdf
https://www.researchgate.net/publication/220416607_Distributed_Optimization_and_Statistical_Learning_via_the_Alternating_Direction_Method_of_Multipliers
https://arxiv.org/
http://www.gitxiv.com/ 這個網站中是有原始碼的，在git上可以找到。
等等
如果有關於學習、工作或者行業相關的問題想問大牛的，可以留言哦；小編彙總後會為您們專門諮詢他哦。
今日贈言
相見即緣，留下您的腳步，分享您的行程！
推薦閱讀：
python量化學習篇
python學習篇
機器學習篇