看看滴滴大牛是如何从码农到AI的华丽转身
作者简介
网名：小猪观察员，来自浙江大学软件工程的硕士研究生。在滴滴研究院大数据领航项 目中扮演核心成员，是位资深数据挖掘、数据分析专家；
“本人码农一枚，因公司需要开发用户画像，开始接触机器学习。然后打开了另一扇门。个人认为机器学习对于码农来说应该是一门必修课，就犹如java一样，未来的开发中，机器学习会更加的普遍，成为一个个插件。
从2017年5月27日，在柯洁与阿尔法围棋的人机大战之后。深度学习火遍了整个业界。从2013年开始，机器学习就已经开始升温，只是在alphgo之后进入白炽化。本文主要是从一个码农的角度介绍如何入手学习机器学习，如有不妥之处，还望指点。”
机器学习关键
机器学习关键是要弄明白四点：
1）什么是机器学习
2）机器什么时候可以学习。
3）机器是怎么学习的，大部分情况我们都将注意力集中到这里。
4）如何让机器学习更好，比如增加数据量，正则化，通过aggregation方式等等。
推荐林轩田的机器学习基石和技法课程：
https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/
把各种机器学习算法都串起来了，从线性模型中的pla到svm到逻辑回归，然后到非线性模型，模型之间的关联，模型的优缺点都做了详细的描述。感觉入门还是很不错的，数学基础也不用太多。
机器学习定义
何为机器学习，何为学习。如果一个系统能够通过执行它的过程，而改善其性能，这就是学习。机器学习也有其他定义， “机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能”。 “机器学习是对能通过经验自动改进的计算机算法的研究”。 “机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。”
人类的学习又是如何的呢？当我们学习一个个单词，学习数学，几何，历史等等，识别他人的声音，辨别物体。形式化的说，我们大脑获取外界输入，听觉、视觉、触觉、味觉、嗅觉等输入信号，经过大脑神经网络处理，信号转换为相应特征，最后转换成知识存储大脑中。最后进行各种行为反应。
机器学习分类
机器学习从学习方法上，分为监督学习、非监督学习、强化学习以及半监督学习。
监督学习
监督学习，是对于训练集有相应的正确输出。比如给定一组数据x:{房屋面积、朝向、精装修否}，Y{房价}。然后给定一套房子的面积、朝向，输出房价。监督学习有如下两类：
分类问题,比如我们要从一堆人中辨别谁是好人，谁是坏人。这就是分类问题。简单的讲就是对一个问题，我们将其离散化到一个维度上。手写识别，典型的数据集是：[MNIST](http://yann.lecun.com/exdb/mnist/)。
回归问题,比如预测明天的温暖，根据今天以及最近一周的情况，给出明天的气温，湿度等。The target output is a real number or a whole vector of real numbers。
常用的监督学习算法有：xgboost、gbdt、LR、决策树、SVM、贝叶斯分类器、k邻近等。当然深度学习也可以算作是监督学习，比如卷积神经网络进行手写识别。
非监督学习
非监督学习，其实到现在为主基本数被忽略的对象，在未加标签的数据中，试图找到隐藏的结构。因为提供给学习者的实例是未标记的，因此没有错误或报酬信号来评估潜在的解决方案。因为就是给一堆数据给你，没有标记这个数据是好还是坏，一般采用聚类的方式。比如常见的k-means聚类、密度聚类等。
非监督学习可以用来降维，如LDA(线性判别分析)、PCA(主成分分析)。
强化学习
强化学习我这里采用Geoffrey Hinton 的定义：In reinforcement learning, the output is an action or sequence of actions and the only supervisory signal is an occasional scalar reward. 比如我们要训练机器下棋，电脑输出一个步骤，返回出这个棋局的好坏，如此反复循环，直到电脑能够记住怎么下棋才是好琪。
常用的有蒙特卡洛强化学习、模仿学习等
作为一个从码农到学习机器学习的过程中，也是一个自我学习，自我探索的过程。
数学知识是必备的：线性代数、概率论、高等数数学，当然其他的比如信息论，统计学，能多学点就多学点喽
推荐如下的学习资料：
[统计学习方法](https://item.jd.com/10975302.html)
[机器学习](https://item.jd.com/11867803.html)
[深度学习](https://item.jd.com/13188291644.html)
MLAPP及PRML,参考链接：https://www.52ml.net/11578.html
视频推荐
Geoffrey Hinton ：https://www.coursera.org/learn/neural-networks/home
Andrew Ng： https://www.coursera.org/learn/machine-learning/home
林轩田 ：https://www.csie.ntu.edu.tw/~htlin/course/ml15fall/
看完这些差不多入门了，要想进一步提升，
**看论文
看论文
看论文**
https://arxiv.org/pdf/1603.02754.pdf
https://www.researchgate.net/publication/220416607_Distributed_Optimization_and_Statistical_Learning_via_the_Alternating_Direction_Method_of_Multipliers
https://arxiv.org/
http://www.gitxiv.com/ 这个网站中是有源代码的，在git上可以找到。
等等
如果有关于学习、工作或者行业相关的问题想问大牛的，可以留言哦；小编汇总后会为您们专门咨询他哦。
今日赠言
相见即缘，留下您的脚步，分享您的行程！
推荐阅读：
python量化学习篇
用Python定投基金|看看巴菲特有坑我们吗？
用Python来分析股票|发现炒股软件里惊人内幕
诺贝尔奖得主教你如何分配炒股仓位 | python量化系列
(视频讲解！！！)python量化 | 10年翻400倍的炒股策略
一个10年翻400倍的策略 | Python量化投资
法码三因子选股模型，有多少人可以跑赢
python学习篇
优雅的Python
利用python操作Excel教程
让你的 Python 代码优雅又地道
Python笔记
python学习笔记
Python小知识：Python 迭代器与生成器
python函数简书
Python常用模块资料
Python 禅道
Python 字符串操作方法大全
Python的编码命名规则
python 数组的del ,remove,pop区别
机器学习篇
机器学习入门科普篇--系列二
机器学习算法的随机数据生成总结
python 数据清洗篇
python 数据清洗篇
想入门深度学习？先理解这25个概念！
自然语言处理中的Attention Model：是什么及为什么
用户画像之用户性别识别
机器学习入门科普篇--系列一
客户流失分析
全球变暖温度分析图
数据挖掘学习笔记--决策树C4.5
决策树你应该知道的几点
决策树的Python实现
机器学习之------K-Means（K均值）
机器学习算法与Python实践之（一）k近邻（KNN）
数据科学的完整学习路径
对线性回归、逻辑回归、各种回归的概念学习