机器学习怎么学习


机器学习如何入门

Jonathan A. Cox在Quora上的回答:

这里有很多回复都提到了一些创业公司常用的工具。值得注意的是,在你 35 岁以上的职业生涯中,这些工具会变得完全不同。所以最好的办法是熟悉基本概念和数学。

其次,机器学习领域太过繁杂,根本不可能真正深入理解几十种不同的算法。我觉得你可以先深究几个最有前景的算法。说是这么说,你也要很了解一些基础的东西才行,比如说朴素贝叶斯、支持向量机、感知器、决策树。

最后,很多创业公司,或者非研究领域的人会告诉你要专注于那些快要老掉牙的算法(比如支持向量机 (SVM))和大数据的数据库工具(比如说Hadoop)。考虑到你刚刚起步,我觉得你可以专注于那些很快会发展起来的架构:神经网络,单指令流多数据流(SIMD)向量计算(比如说GPU)。神经网络最近 10 年内开始革命性地颠覆自然语言处理、机器视觉、语音识别和其他领域。鉴于它的强大,这个影响还会继续下去。

综上,我会选择诸如 GPU 加速这类算法来自学和实现,再加一些分布式数据库的知识。以下是值得考虑的算法:

1. 深度置信网或者层叠降噪自动编码机 / Deep Belief Nets or Stacked Denoising Autoencoders
2. 卷积神经网络(CNN)
3. 长短记忆(LSTM)时间递归神经网络
4. 结构递归神经网络(通常用于自然语言处理)
5. word2vec 神经网络以及相关通过上下文学习词语的相关算法

另外一个很有前景的领域是强化学习,尤其是 Deep Mind 的 Q-learning。当你用到延迟奖励功能(比如玩 Atari 游戏时的得分),并且不能在你的网络中直接计算参数梯度时,你会用到强度学习。当你熟悉了上述的算法之后,你大约会想探索一下这个领域。这个领域跟机器人以及,更现实一点,关于人和动物是怎么学习的模拟,很有关联。

补充:我现在有这样的想法:过去的一年中,结合不同的神经算法,得到一个“深度“系统的方法逐渐显露出重大进步;因为这个方法的整体大于它的组成部分。鉴于奠基石已经铺下,我预计最显著的进步很可能会落在这个方向。一定程度上,细致整顿整个系统之前训练好个体模块,以及更快的计算群让这种进步成为了可能。(然而我们仍会在单个的算法中看到进展。)

换句话说,现在结合了卷积神经网络和多层感知器(MLP)的 LSTM,可以做到用句子描述图像之类的事情(来源:Goolge/Stanford)。类似地,已经有了具备强化学习能力的卷积神经网络和 MLP 组成的 Atari 游戏竞技网络。

往这个清单加上新东西同样很容易:把通过 word2vec/GloVe/skip-gram 训练出来的词向量输送给这样的复合网络,或者甚至是用递归神经网络训练的情感分析层。

有了神经网络和反向传播,在任意几何体上结合/叠加层,以及把组合作为整体系统来训练都变得容易了,它们可以扩展出强大的能力。

由许多不同种类的神经网络组成,用各种技术连接在一起,单独训练,协同微调,这些混合系统将继续向我们展示充满戏剧性的新能力。

Joseph Misiti 的回答分享,4400+ 支持

个人认为,以下是部分必需技能:

https://github.com/josephmisiti/awesome-machine-learning

  1. Python/C++/R/Java > > 假如你想在机器学习领域里找一份工作,你大概迟早要学会这些语言。Python 的 Numpy and Scipy 库 [2] 非常有用,因为这些库不仅有跟 MATLAB 相似的功能,而且将其整合进Web Service,或者在 Hadoop(见下)里使用的时候也十分简单。在加快代码运行速度的时候会用到C++。R [3] 在统计和画图的时候非常好用。Hadoop [4] 是用 Java写的,所以当你实现 mappers 和 reducers 的时候可能需要用到 Java(虽然你也可以通过 Hadoop streaming [5] 使用脚本语言)。

2.概率和统计

学习算法里的很大一部分都基于概率和统计理论,比如说朴素贝叶斯 [6]、高斯混合模型 [7]、隐Markov模型 [8]。 想要理解这些模型,就需要扎实的概率和统计功底。测度论 [9] 怎么拼命学都不过分。把统计作为模型的评价指标,比方说混淆矩阵、ROC 曲线、p值等等。

3.应用数学和算法

对于 SVM [10] 这些判别模型,就需要算法理论的扎实基础了。即便你不需要从头开始实现SVM,学习算法理论也可以帮助你理解算法。需要学习的东西有凸优化 [11],梯度下降 [12],二次规划 [13],拉格朗日 [14],偏微分方程等等。要习惯看求和符号 [16]。

4.分布式计算

如今大部分的机器学习工作都要求使用大型数据集(见《数据科学》)[17]。处理这些数据并不能凭借一台机器,而是需要把工作分派给整一个集群。像 Apache Hadoop [4] 这样的项目和亚马逊的 EC2 [18] 这样的云服务就能以合理的成本方便地处理这些数据。虽然 Hadoop 把很多硬核的分布式计算问题隐去了,对 map-reduce [22] 和分布式文件系统 [19] 等方面有透彻的理解还是十分必要的。Apache Mahout [20] 和 Apache Whirr [21] 也很值得一看。

5.精通 Unix/Linux 工具

除非你运气好,不然你总是需要修改你数据集的格式来载入到 R、Hadoop、HBase 等。Python这些脚本语言(使用 python 里的 re)也能用来完成这个事情,但是最好的方法大约还是掌握专门为此设计的 unix 工具:cat [24]、grep [25]、find [26]、awk [27]、sed [28]、sort [29]、cut [30]、tr [31]等。因为最有可能在基于 Linux 的机器上处理这些数据(我记得 Hadoop 并不能在 Windows 上运作),你一定可以用到这些工具。要学会热爱并尽可能地使用这些工具。这些工具让事情简单多了,比如这个例子 [1]。

6.熟悉Hadoop的子项目

HBase、Zookeeper [32]、Hive [33]、Mahout 等。这些项目可以储存或读取数据,而且他们可扩展。

  1. 了解高级信号处理的技术

特征提取是机器学习最重要的部分之一。如果你的特性提取得不好,那不论你使用什么算法,性能都不会好。根据具体情况,你可能可以应用一些很酷炫的高级信号处理算法,比方说 wavelets [42]、shearlets [43]、curvelets [44]、contourlets [45]、bandlets [46]。了解并尝试应用时间-频率分析方法 [47]。如果你还没有了解傅里叶分析和卷积的话,这些东西也值得学习。后面提到的这俩是信号处理的基础知识。

最后,尽量多练习、多阅读。有空的时候可以读读像 Google Map-Reduce [34]、Google File System [35]、Google Big Table [36]、The Unreasonable Effectiveness of Data [37] 上的论文。网上也有很多关于机器学习的好书的免费资源,这些也应该多读。[38][39][40] 我找到了一个很好的课程,并且在转发到Github了 [41]。与其直接使用开源的扩展包,不如自己写一份并且对比结果。如果你能从头写一个支持向量机,你就会明白像支持向量、gamma、cost、hyperplanes 等的概念。载入数据并开始训练并不难,难的是理解这所有的概念。

[1]http://radar.oreilly.com/2011/04/data-hand-tools.html

[2]http://numpy.scipy.org/

[3]http://www.r-project.org/

[4]http://hadoop.apache.org/

[5]http://hadoop.apache.org/common/docs/r0.15.2/streaming.html

[6]http://en.wikipedia.org/wiki/NaiveBayesclassifier

[7]http://en.wikipedia.org/wiki/Mixture_model

[8]http://en.wikipedia.org/wiki/HiddenMarkovmodel

[9]http://en.wikipedia.org/wiki/Measure_(mathematics)

[10]http://en.wikipedia.org/wiki/Supportvectormachine

[11]http://en.wikipedia.org/wiki/Convex_optimization

[12]http://en.wikipedia.org/wiki/Gradient_descent

[13]http://en.wikipedia.org/wiki/Quadratic_programming

[14]http://en.wikipedia.org/wiki/Lagrange_multiplier

[15]http://en.wikipedia.org/wiki/Partialdifferentialequation

[16]http://en.wikipedia.org/wiki/Summation

[17]http://radar.oreilly.com/2010/06/what-is-data-science.html

[18]http://aws.amazon.com/ec2/

[19]http://en.wikipedia.org/wiki/GoogleFileSystem

[20]http://mahout.apache.org/

[21]http://incubator.apache.org/whirr/

[22]http://en.wikipedia.org/wiki/MapReduce

[23]http://hbase.apache.org/

[24]http://en.wikipedia.org/wiki/Cat_(Unix)

[25]http://en.wikipedia.org/wiki/Grep

[26]http://en.wikipedia.org/wiki/Find

[27]http://en.wikipedia.org/wiki/AWK

[28]http://en.wikipedia.org/wiki/Sed

[29]http://en.wikipedia.org/wiki/Sort_(Unix)

[30]http://en.wikipedia.org/wiki/Cut_(Unix)

[31]http://en.wikipedia.org/wiki/Tr_(Unix)

[32]http://zookeeper.apache.org/

[33]http://hive.apache.org/

[34]http://static.googleusercontent.com/externalcontent/untrusteddlcp/labs.google.com/en/us/papers/mapreduce-osdi04.pdf

[35]http://static.googleusercontent.com/externalcontent/untrusteddlcp/labs.google.com/en/us/papers/gfs-sosp2003.pdf

[36]http://static.googleusercontent.com/externalcontent/untrusteddlcp/labs.google.com/en/us/papers/bigtable-osdi06.pdf

[37]http://static.googleusercontent.com/externalcontent/untrusteddlcp/research.google.com/en/us/pubs/archive/35179.pdf

[38]http://www.ics.uci.edu/~welling/teaching/273ASpring10/IntroMLBook.pdf

[39]http://www.stanford.edu/~hastie/local.ftp/Springer/OLD//ESLII_print4.pdf

[40]http://infolab.stanford.edu/~ullman/mmds.html

[41]https://github.com/josephmisiti/machine-learning-module

[42]http://en.wikipedia.org/wiki/Wavelet

[43]http://www.shearlet.uni-osnabrueck.de/papers/Smrus.pdf

[44]http://math.mit.edu/icg/papers/FDCT.pdf

[45]http://www.ifp.illinois.edu/~minhdo/publications/contourlet.pdf

[46]http://www.cmap.polytechnique.fr/~mallat/papiers/07-NumerAlgo-MallatPeyre-BandletsReview.pdf

[47]http://en.wikipedia.org/wiki/Time%E2%80%93frequency_analysis

[48]http://en.wikipedia.org/wiki/Fourier_analysis

[49]http://en.wikipedia.org/wiki/Convolution