留言送书：又一机器学习入门力作

送书方式见文末，先听我好好介绍这本书。

近日，公众号“量子位（ID：QbitAI）编译的一组数据曝光了爱彼迎（Airbnb）、AR新锐Magic Leap等12家独角兽公司的工程师薪酬水平。数据显示，机器学习工程师的整体薪资约为11万~21万美元（折合成人民币75万~143万元）；AI方向的高薪岗位还包括计算机视觉工程师岗，AI基础架构工程师，年薪高达22万美元。国内的情况呢，AI岗位如字节跳动—数据科学家、滴滴—AI工程师（自动驾驶）以及大疆—机器学习算法工程师的薪酬，由25K至60K不等。当然，资深AI工程师的上限还远不止如此，很多公司都是高薪找人，但是根本找不到。

那么机器学习从业者的情况呢？

在与不同背景的朋友聊天过后，我发现大部分人居然还在入门阶段挣扎，他们都在感叹——

机器学习入门真难！

想想也能理解：现阶段AI的核心技术是机器学习，然而机器学习的覆盖面相当大，其所要求的底层知识也又深又广，包括线性数学、统计学、概率、微积分、程序设计和算法等等等等……

其中几位朋友的经历特别有代表性：

l小A 是一名计算机互联网相关专业的在校学生，希望将来进入AI就业市场——他已经开始啃周志华老师的《机器学习》西瓜书。然而小A在阅读西瓜书时，却被其中大量的定义、算法和公式吓呆。

l小B是一个IT老兵，他因为公司项目，需要学习AI的数据科学和机器学习。很多朋友推荐吴恩达老师的视频课程。他苦学六个月，终于拿到了Coursera的机器学习毕业证书。然而等项目开始后，他哭了——学了半天的工具和语言并不是工作中要用的Python……

l小C已经学了一段时间机器学习，损失函数、激活函数、最小二乘法、聚类、XGBoost、神经网络、GAN、迁移学习什么的都熟记于心，但是并不确定它们将如何应用于具体项目。他苦笑着跟我说：“学了这么多，还是感觉自己是门外汉！”

此外，知乎等平台也有很多人在提问：

“新手如何入门机器学习？”

“机器学习最好的课程是什么？”

“如何系统入门机器学习？”

那么，到底有没有一条高效的机器学习入门路线呢？

其实，入门机器学习，无非以下几点：

l知道机器学习是干什么的；

l知道机器学习模型是怎么跑的；

l知道如何将机器学习运用到实际项目中。

至于线性数学、统计学、概率、微积分、程序设计和算法等等等等，需要学吗？需要，但是不急在“入门”这一时。入门终究是为了应用，只有知道了整个领域的底层逻辑，我们才能根据自己的特点查漏补缺。试想，如果连“机器学习”项目具体在干什么都没有搞清楚，那么学再多的线性数学统计学概率微积分程序设计算法……有什么用？

从这一根本需求出发，我给上述朋友们推荐了一本书——《零基础学机器学习》（黄佳 著）。

《零基础学机器学习》

说说原因：

1.这本书真的规划出了一条路线！

这一点是最重要的。很多书上来就把机器学习划分成很多模块，然后一个一个模块的解释、推导，一本书就是一个大型的思维导图。这不否认是一种有效的学习模式，但是对大部分学习能力欠缺和缺少全局思维的读者来说，很不友好。为什么？因为书的大部分时间都在讨论细节，读者很容易在推导和计算中起不了身，陷入“我是谁，我在哪，我在干什么”的迷茫中。一本好的“入门书”，应该更多考虑到“小白”读者的困境，设计好内容，引导大家去学。

《零基础学机器学习》是什么思路呢？

它按照上课培训的方式，把学习过程分成了4个阶段。

l第1阶段，了解机器学习概况。用基本上一两天的学习量（顶多一周），把机器学习的家族谱、常用平台、基本术语、Python相关知识、项目实战套路迅速过了一遍，让人对这个领域有个基本的认识。

项目实战“套路”，图非常有意思

l第2阶段，快速熟悉理论。又用了一两天的学习量（这次真的是一两天），带着读者回忆了一下曾经还给老师们的数学知识（求导啊张量啊的），看上去也非常简单。

l第3阶段，项目实战。这里，用到了上面那张讲到的“项目常用套路”图，基本上就是按照那5步不停地实战实战，范围覆盖了线性回归、逻辑回归、深度学习、卷积神经网络和循环神经网络。一方面加深对这些模型算法的理解，另一方面增加读者对实战项目的手感。

l这时候，你基本上就能知道这个领域的一个基本运行规律了。此时，再开始向读者介绍领域内稍微深一些的概念和理论，这就是第4阶段——深入学习一些经典的算法，集成学习，非监督学习，生成式对抗网络，强化学习，等等。

 

《零基础学机器学习》的入门路线

这样设置好在哪里呢？

这本书其实是抛去了“思维导图”的模块化概念，主动引导学生去学，简单的知识背后是深思熟虑的课程设计。这就跟老师教课一样，为什么老师上课需要设计教案？仅仅做预习一下书本内容吗？当然不止。大家可以回想一下自己听过的好课，教师在上课中绝对不是照本宣科。为了让学生更快、更高效的领会知识，老师们需要在熟记书本内容的前提下，精炼、总结出能让学生更快上手、更好理解的方式。其间要充分考虑到学生在学习过程中哪些地方会遇到哪些难点，如何解决这些难点，而不是简单地铺陈一下知识，给一些代码让学生自己模仿。

另外，为了让人更有代入感，这本书设置了2个角色：小冰——即将接触AI项目的初级程序媛，咖哥——小冰的临时AI辅导师。全程用小冰的学习过程串起了整本书的学习流程。

书中人物：小冰，咖哥

2.书中对于一些复杂概念的解释非常“接地气”！

有些人可能在担心：虽然有路线，但是机器学习有些概念就是很难理解啊，路线设的再好也没用。

《零基础学机器学习》也考虑到了这一点，所以对于一些较为抽象的内容的介绍，书中用漫画、故事、实际场景比喻等不同方法去解释，最大程度减少“理解困难”的问题。

比如，有些小伙伴面对庞大的机器学习系统时，可能会想，机器学习模型这么多？该怎么挑选自己的方向？

作者将将一些常见的机器学习应用场景和机器学习模型进行连接，并告诉读者：机器学习的诀窍在于要了解自己的问题，并针对自己的问题选择最佳的机器学习方法（算法），也就是找到哪一种技术最有可能适合这种情况。如果能把场景或任务和适宜的技术连接起来，就可以在遇到问题时心中有数，迅速定位一个解决方向。

机器学习模型与应用场景

又比如，刚入门机器学习时，可能会对各种术语会有天然的畏惧心理。这本书则以房价为例，解释了其中各种基本术语所代表的含义。

机器学习的基本术语（部分）

比如，“梯度下降”（Gradient Descent），这对很多同学来说，算是机器学习入门过程中的一个坎儿。机器学习中常用“下山”来比喻梯度下降——我们想知道如何下山，但是只能一步一步往下走。在机器学习模型的优化过程中，梯度下降可以说是最常采用的方法之一，通过梯度下降法来一步步的迭代求解，得到最小化的损失函数和模型参数值。那么具体该怎么做呢？

梯度下降的隐喻-下山

对于如何求解机器学习算法的最佳参数，书中是这样解释的——

（原文为对话形式，内容有整理）

机器学习的本质是在大量数据中寻找最优函数……但漫无目的去猜测一万次，然后给出一个损失最小的模型，告诉别人说这个是我随机猜测一万次里面最好的结果，这实在是谈不上任何“智能”。如果机器是利用它们天文级的“算力”做这样的事情，那简直太让人失望了。因此，比较理想的情况是，每一次猜测都应该比上一次更好，更接近真相，也就是每次的损失都应该减小，而不是好一次，坏一次地乱猜。好消息是，有一种方法可以使猜测沿着正确的方向前进，因此总能找到比起上一次猜测时误差更小。这种方法就是针对损失函数的梯度下降。

……但只是前进的方向对了，这还不够，还有另外一个关键点，就是你要知道什么时候停下来最合适。如果下图中的小猴子代表损失值的大小，那么它应该是往左走，还是往右走呢？机器能不能告诉它正确的方向？

那就是求导。

梯度下降的实现-求导

此外，还有更多在代码中和实战部分的跟踪和指导，都是基于真实项目的成败经验，经过书中两位人物的对话，手把手模拟训练过程，这里就不一一介绍了。

说说作者黄佳的经历，黄佳是新加坡埃森哲公司的高级顾问，在IT领域二十多年，曾经出过SAP系列的畅销书，启蒙了大批中国早期ABAP技术人才。后来转行到人工智能领域，他自己也是从零学起，从起初的艰难摸索到带着自己的团队完成大型项目的实践，前前后后花了很长时间。因为在学习过程中走了不少弯路，这使得他下定决心，弄出一本专门给初学者看的“小白书”“避坑书”，把初学者易入之坑都给填平！

“机器学习不能曲高和寡，应该走出象牙塔，下凡到人间。如何让更多人轻松、快捷的进入机器学习领域，是我在这本书力求解决的关键问题。”这是作者黄佳写这本书的初衷，所以从结果来看，这本书也极其“接地气”。

《零基础学机器学习》要解决的问题，不是让读者瞬间学会机器学习的所有概念，瞬间上手所有项目，而是作为一个踏板——带你入门，让你从全局角度认识机器学习，连接理论与应用。至于后续如何提升，你可以根据自己的实际情况，再继续深耕。当然到了这时候，你肯定知道接下来该怎么走了。

如果你有“不知如何入门”的苦恼，不妨看一看。

购书链接：

好了，相信大家对这本书也有很一定的了解了，现在到大家期待的送书环节，然后来聊聊送书方法，这次是专门给我的粉丝的福利，文末留言，我会选择写的较好的送出（这次高赞自然会相对优先哟），如果数量超过3，我则会通过拉群发红包的方式抽出最后的送书对象，所以这就考验大家的小作文能力啦~截止时间是27日夜，事后我会通过公众号通知大家。