近日，來自SAP（全球第一大商業(yè)軟件公司）的梁勁（Jim Liang）公開了自己所寫的一份 520 頁的學(xué)習(xí)教程（英文版），詳細(xì)、明了地介紹了機(jī)器學(xué)習(xí)中的相關(guān)概念、數(shù)學(xué)知識和各種經(jīng)典算法。機(jī)器之心看到后，也迫不及待的推廣給更多的讀者。完整的 PDF 請從文后作者公開的鏈接下載。

在介紹中，Jim Liang寫到：

人工智能是這兩年風(fēng)頭正勁的領(lǐng)域，也是未來具有顛覆性可能的新領(lǐng)域。不少人嘗試去學(xué)習(xí)機(jī)器學(xué)習(xí)相關(guān)的知識。然而，一旦越過最初的 overview 階段，很多人就開始打退堂鼓了，然后迅速放棄。

為什么會這樣？

極 高 的 學(xué) 習(xí) 曲 線

首當(dāng)其沖就是數(shù)學(xué)，涉及統(tǒng)計(jì)學(xué)、微積分、概率、線性代數(shù)等，大家雖然都學(xué)過高等數(shù)學(xué)，但如果你還記得里面的細(xì)節(jié)，算你牛。更可能的情況是，多數(shù)人都對高等數(shù)學(xué)忘記了，面對各種算法里的大量公式，感到厭惡，甚至恐懼。

其次因?yàn)闄C(jī)器學(xué)習(xí)本身是一個(gè)綜合性學(xué)科，而且是一個(gè)快速發(fā)展的學(xué)科，知識點(diǎn)散亂，缺乏系統(tǒng)性。

市面上的機(jī)器學(xué)習(xí)/深度學(xué)習(xí)書籍、文章、教程，遍地開花，但能以清晰的方式表達(dá)、循序漸進(jìn)地講解的教程，其實(shí)不多，大量的教程沒有考慮到學(xué)習(xí)者的基礎(chǔ)，使得初學(xué)者感到挫敗和困惑。

圖 解 機(jī) 器 學(xué) 習(xí)

正是對機(jī)器學(xué)習(xí)的過程中的痛苦有切身體會，我希望能做一份教程，以淺顯易懂的方式去講解它，降低大家的學(xué)習(xí)門檻。我為此花費(fèi)了數(shù)月時(shí)間，經(jīng)常做到深夜，把自己的學(xué)習(xí)筆記整理成了這份教程。

從結(jié)構(gòu)來看，全部教程包含兩部分：

Part 1 介紹了基本概念，包括：

機(jī)器學(xué)習(xí)的流程

數(shù)據(jù)處理

建模

評估指標(biāo)（如 MSE、ROC 曲線）

模型部署

過度擬合

正則化等

在第一部分，作者先介紹了如今應(yīng)用普遍的機(jī)器學(xué)習(xí)：從自動駕駛、語音助手到機(jī)器人。其中有些思想，也是眾多讀者們了解過的，例如：為何機(jī)器學(xué)習(xí)在這個(gè)時(shí)候會火（大數(shù)據(jù)、計(jì)算力、更好的算法）；機(jī)器學(xué)習(xí)、人工智能、深度學(xué)習(xí)三者的關(guān)系等。

除了這些基礎(chǔ)概念，這份教程也對機(jī)器學(xué)習(xí)模型的開發(fā)流程做了圖像化展示（如下圖），即使對此不太了解的讀者，也能通過這種流程展示有所學(xué)習(xí)。

建立機(jī)器學(xué)習(xí)解決方案的步驟

在 Part1 的其他小節(jié)，作者以類似的圖像展示，對數(shù)據(jù)、建模、模型部署等內(nèi)容做了詳細(xì)介紹，這里就不一一列舉，可以從原報(bào)告查看。

在 Part2，作者介紹了 常用的算法，包括：

線性回歸

邏輯回歸

神經(jīng)網(wǎng)絡(luò)

SVM

Knn

K-Means

決策樹

隨機(jī)森林

AdaBoost

樸素貝葉斯

梯度下降

主成分分析

這部分包含了大量的數(shù)學(xué)公式，但作者盡力注解了其中的每個(gè)公式，從而充分、清晰地表達(dá)了眾多數(shù)學(xué)概念。

例如在「神經(jīng)網(wǎng)絡(luò)」部分，作者整理了 59 頁的筆記（從 311 頁到 369 頁）。作者從人腦中的神經(jīng)元架構(gòu)說起，介紹了人工神經(jīng)網(wǎng)絡(luò)（ANN）、人工神經(jīng)元工作的原理。這份筆記非常注重圖像化的概念解釋，理解起來非常直觀。

例如，下圖中的概念解釋很形象地展現(xiàn)了生物神經(jīng)元和人工神經(jīng)元工作方式的相似性。

生物神經(jīng)元的樹突輸入-軸突輸出模式和人工神經(jīng)元的輸入輸出模式對比。

過擬合的解釋。

人工神經(jīng)元的基礎(chǔ)結(jié)構(gòu)。

在涉及到數(shù)學(xué)公式時(shí)，作者會在旁邊有詳細(xì)的注解，如下圖所示：

對于并列的可選項(xiàng)（如激活函數(shù)、常用神經(jīng)網(wǎng)絡(luò)架構(gòu)等），也會有全面的列表：

常用的激活函數(shù)。

然后會有每個(gè)激活函數(shù)的單獨(dú)介紹：

Sigmoid 激活函數(shù)。

用神經(jīng)網(wǎng)絡(luò)分類手寫數(shù)字的前向傳播示例（softmax 激活函數(shù)）。

對于神經(jīng)網(wǎng)絡(luò)中較為復(fù)雜的概念（如求導(dǎo)、反向傳播），幾張圖就能解釋清楚：

關(guān)于神經(jīng)網(wǎng)絡(luò)的完整訓(xùn)練過程，作者用簡略流程圖+計(jì)算細(xì)節(jié)展開的方式呈現(xiàn)：

反向傳播算法完整流程。

前向傳播部分的計(jì)算細(xì)節(jié)。

就像前面提到的，這部分除了「神經(jīng)網(wǎng)絡(luò)」的介紹，還包括隨機(jī)森林、梯度下降等概念的介紹，讀者們可查看原教程。

總結(jié)

看完這份教程之后，小編覺得這是一份包羅萬象的學(xué)習(xí)筆記，既適合非專業(yè)人士了解有關(guān)機(jī)器學(xué)習(xí)的基礎(chǔ)概念，又適合有專業(yè)背景的學(xué)生進(jìn)一步學(xué)習(xí)。

寫教程是為了自己持續(xù)學(xué)習(xí)，分享教程是為了幫助更多人學(xué)習(xí)。就像作者所說，「Learning by doing/teaching, 寫這個(gè)教程主要是強(qiáng)迫自己持續(xù)學(xué)習(xí)，另外，也想分享給他人，希望能幫助到更多想學(xué)習(xí) Machine Learning 的人，降低大家的學(xué)習(xí)痛苦。