打破机器学习边界的工具，构建基石

本文约1300余字，阅读需要约3.2分钟；

本文所有推荐的数据，阅读完后，会有系统资料提供；

系统资料领取见文末；

关键词：人工智能，机器学习，深度学习，数学，学习建议，微专业

机器学习工程师的边界是什么？

简而言之，边界是当我们不会英语的时候，会少有出国的机会，较小概率看到国外的世界。

大多数的事物都是有边界的，包括机器学习，那么，于大多数人而言，

机器学习的边界又是什么呢？

（1）线性代数

（2）概率统计

（3）部分数学基础

当跨越了机器学习的边界，AI这条路是否可以走得更轻松？

答案是肯定的，掌握了机器学习的底层基础（跨越边界），至少在模型优化阶段更加游刃有余。

AI领域的基石又是什么？

以机器学习为例，机器学习的基石如下（重要的事情说2遍）：

（1）线性代数

（2）概率统计

（3）部分数学基础

如何打破边界？又如何构建基石？

以下的内容给你主要答案。

机器学习与相关数学等基础的关系

（1）线性代数如何应用到机器学习中？

方法建议：尽量将线性代数与现实意义结合起来

对于线性代数，理解它与机器学习的关键在于：理解线性代数与现实世界的巧妙的耦合。

上图中的x，y可以分别代表看事物的2个维度，x，y各自有大量的线性组合，意味着事物的2个维度有大量不同的看法，将这些看法用机器来进行计算，归纳，演绎，组合大量个别的看法，抽离出符合大多数的平衡点，从而得出普遍适用的结论。这不是一个人能做到的，即使他是一个极其聪明的人。

这想想都是一件奇妙的巧妙而耦合的事件。

（2）概率统计如何应用到机器学习中？

方法建议：尽量将看似无味的概率统计与感兴趣的话题结合起来理解

如上图所示,用机器来判断是否是合适的女婿，转换为是合适女婿的概率问题，也就是二分类问题，更是一个概率计算的问题，如何保证这个计算过程不出问题，计算概率怎么计算的？可以怎么优化？框架提供的计算过程不可能适合所有的情况，当我们遇到不一样的的情况的时候，如何根据实际环境做优化？要解决类似的问题，都需要用到概率统计。概率统计于机器学习而言，犹如三足（线性代数，概率统计，数学）鼎立之一足。

（3）数学基础如何应用到机器学习中？

方法建议：将实际意义与兴趣赋予看似枯燥的学习之后，尽量死磕最少必要知识，如下面提到的sigmod函数，凸函数，梯度下降法等。

亦如上图所示，Y=w1*身高+w2*品德+w3*财富+w4*颜值+w5*才能 是数学公式Y=w1*x1+w2*x2+w3*x3+w4*x4+w5*5。

另外，sigmoid函数也是数学函数。由此可见，机器学习是由很多的基础的数学函数累计而成。另外，在很多情况下，也会遇到数学当中的最优化问题，如凸函数，随机森林下降问题。如果要增大做好的概率，必然会涉及到数学问题。数学基础是一个大大的瓶颈。

打破边界的误区

误区是：也许你早已意识到数学，线性代数，概率统计对做机器学习的重要性，也在积极补课中，于是一头扎进大学的教材中。

重点是：埋头死磕了好多次，每次都半途而费，学了很多，学到的很少。

原因是：教材始终更偏向理论，优点是每一步都可靠，逻辑严谨，可缺点就更明显了，

那就是：更难理解

这也是在线教育存在的社会价值，在逻辑严谨的纯理论和更通俗易懂的类比中，找到一个有助于大多数人成长的平衡点。

古语有云：“独学而无友 则孤陋而寡闻”，多人学习，协作学习能较快认识到打破机器学习边界的误区，尽可能的使用合适的学习方法。