《机器学习实战》前言

本文对《机器学习实战》前言进行了摘要和归纳总结，并增加了作者的独立思考，希望对您有所启发。

前言

• 机器学习的海啸
  • 建议学习了解人工智能的历史，以便对它有一个客观的了解和理解
    • 现代意义上的人工智能，始于2006年，在此之前，当时人们普遍认为，训练深度神经网络是不可能的，并且大多数研究人员在20世纪90年代后期就放弃了这一想法。
    • 2006年，Geoffrey Hinton等人发表了一篇论文，展示了如何训练能够以最先进的精度（>98%)识别手写数字的深度神经网络。他们将这种技术称为“深度学习”。深度网络是（非常）简化的大脑皮层的模型，由一堆人工神经元层组织。
    • 不久之后，许多新论文证明了（在强大的计算能力和大量数据的帮助下），深度学习不仅是可能的，而且还具有令人难以置信的成就，这是其他机器学习技术无法企及的。这种热情，很快扩展到机器学习的许多其他领域。
    • 大约十年之后，机器学习征服了整个工业界：它是当今高科技产品诸多魔力的核心
      • 可以为你的网络搜索结果排名
      • 也可为智能手机的语音识别提供支持
      • 还可以推荐视频
      • 并在围棋比赛中击败世界冠军
      • 不知不觉它将驾驶你的汽车。
  • 心得体会和感悟：
    • 罗马不是一天建成的。人智能的历史其实比计算还要早，应该说人类最初的梦想就是人工智能。
    • 人工智能的历史，最早要追溯到远古。
      • 人类自从学会使用工具，就已经脱离人本身了。
      • 按道理，人不可能自己把自己拽起来离开地面，但事实上人类今天已经能离开地球了。
      • 古代的木马、水车、算盘，都是人类想借助工具提升能力的实际体现。
    • 人工智能经历的阶段，实际上是五个阶段：
      • 原始劳动工具阶段
      • 蒸汽机阶段
      • 电气自动化阶段
      • 计算机及互联网阶段
      • 人工智能阶段
    • 人工智能的本质是人的劳动力解放
      • 这也意味着人对自然能源的巨大消耗
    • 人工智能还是对人类有史以来的文明、智慧和经验教训进行总结并进行涌现运用的新手段，这就是数据
    • 人工智能对算力提出了新的要求，也就是对能源提出了更高的要求，它的发展也意味着人类能源危机的加速。
    • 人工智能的使用，有望让人类跳出自身的大脑限制，向更高文明进军，将科技推向高峰，最终与神学在顶峰相见。
    • 人工智能的使用，也有可能使人类与鬼神化为一体，从完成进化历史而消亡。
    • 人类的大脑，有可能是最高级的人工智能进化的结果。
    • 人工智能的三大支柱：算力、数据和算法，对人类都提出了挑战。
• 你的项目中的机器学习
  • 细分客户并为每个群体找到最佳的营销策略。
  • 根据类似客户的购买记录，为每个客户推荐产品。
  • 检测哪些交易可能是欺诈性的。
  • 预测明年的收入。
  • 根据文字，生成你要求的图片、音乐和视频。
  • 生产一个家庭保姆机器人。
• 目标与方法
  • 目标
    • 为你提供实现能够从数据中学习的程序所需的概念、工具和直觉。
    • 介绍大量技术，从最简单和最常用的技术（例如线性回归）到一些经常赢得比赛的深度学习技术。
  • 方法：可用于生产的python框架
    • Scikit-Learn非常易于使用，它有效地实现了许多机器学习算法，因此成为学习机器学习的重要切入点。该项目2007年创建，现在由法国计算机科学和自动化研究所的一个研究小组领导。
    • TensorFlow是用于分布数值计算的更复杂的库。通过将计算分布在数百个GPU服务器上，它可以有效训练和运行大型神经网络。TF由Google创建，并支持许多大型机器学习应用程序。它于2015年11月开源，，2.0版本于2019年11月发布。
    • Kerras是高层深度学习API，使训练和运行神经网络变得非常简单。它可以在TensorFolw、Theano或微软Cognitive Toolkit(CNTK)上运行。TensorFlow附带了该API自己的实现，称为tf.kdras，支持某些高级TensorFlow功能（例如有效加载数据的能力）
    • 强烈建议使用电脑，用Jupyter notebook在https://github.com/ageron/handsom-ml2 上在线获得代码的示例。
• 先决条件
  • 具有Python的一些编程经验，熟悉python的主要科学库，尤其是NumPy、pandas和Matplotlib.
  • 如果要关心一些比较深入的内容，应当对大学数学知识有一定的了解，比如微积分、线性代数和概率及统计学。
  • 了解掌握Python，从http://learnpython.org开始学起。
  • 学会使用Jupyter。
  • 通过学会使用Jupyter，了解掌握Python的科学库和线性wager快速教学教程。
• 路线图
  • 第一部分 基础知识
  • 第二部分 深度学习相关知识
• 其他资源
  • 1.在线课程
    • 吴恩达的机器学习课程在Coursera上，虽然课程很好，但学习时间较长，需要数月。
  • 2.学习网站
    • Scikit-Learn（https://scikit-learn.org/stable/）的用户指南非常出色。
      • Scikit-Learn的用户指南结构清晰，易于导航；
      • 用户指南提供了丰富的实例和教程；
      • Scikit-Learn的用户指南涵盖了广泛的机器学习主题；
      • 指南中的代码示例可直接用于实践，加速学习过程；
      • 用户指南详细介绍了ScikitLearn的API和功能；
      • 通过用户指南，可以快速了解Scikit-Learn的最佳实践；
      • Scikit-Learn的用户指南是初学者和专家都不可或缺的资源；
    • Dataquest（https://www.dataquest.io/），提供了非常不错的交互多教程，以及机器学习博客。
      • Dataquest提供丰富的交互式教程助力学习；
      • 机器学习博客是Dataquest的一大亮点；
      • 通过Dataquest资源，轻松掌握数据科学技能；
  • 3.书籍
    • Joel Grus Data Science from Scratch(O'Reilly)介绍了机器学习的基础知识，并在纯python中实现了一些主要算法。
    • Stepthen Marsland的Machine Learning:An Algorithmic Perspective(Chapman & Hall)是对机器学习的出色介绍，它使用Python代码示例，涵盖广泛的主题。
    • Sebastian Raschka的Python Machine Learning(Packt Publishing)也对机器学习进行了很好介绍，并利用了Python开源库（Pylearn2 和Theano).
    • Francois Chollet的深度学习是一本非常实用的书。
    • Andriy Burkov的机器学习书非常简短。
    • Learning from Data见解深刻（见第4章）
    • A Aodern Approach
  • 4.竞赛网站
    • Kaggle.com
• 排版约定
• 代码示例
• 在线学习平台
  • http://oreilly.com