AI之旅(1):出发前的热身运动

前置知识

  无

知识地图

AI之旅(1):出发前的热身运动

自学就像在海中游泳

  当初为什么会想要了解机器学习呢,应该只是纯粹的好奇心吧。AI似乎无处不在,又无迹可循。为什么一个程序能在围棋的领域战胜人类,程序真的有那么聪明吗?如果掌握机器学习,就能创造属于自己的AI吗?

  怀着这样的好奇心,开始了在机器学习领域的探索。学习的第一步是从《吴恩达机器学习》公开课开始的,不可否认对于一个初学者而言,这始终是最好的入门课程。

  同样的知识也有不同的学法,比如一个公式摆在面前,浅一点的学法是直接把它背下来便于应用。深一点的学法是探究公式的原理和推导过程。不同的人倾向不同的学法。

  当选择了第二种学法后,“为什么...”这个概念开始不停涌现。当想要掌握每一个知识点时,立刻感觉困难重重。如同在海面上游泳试图深潜,巨大的阻力扑面而来。

学习中遇到的第一个问题

  学习的过程总是磕磕碰碰的,一会儿这里不懂,一会儿那里不懂。等到补上了相关知识回头看时,才会恍然大悟,啊,原来在这么简单的地方浪费了这么多的时间。

  单位时间效率低,这是学习中遇到的第一个问题。为什么会浪费这么多的时间呢,一方面是花费时间在网络上搜索信息,一方面是花费时间弥补缺失的前置知识。

  弥补缺失的知识应该不能算浪费时间,但是为了搜索信息而耗费大量的时间,就有些难以忍受了。除了锻炼一下搜索信息的能力外似乎没有什么益处。

学习中遇到的第二个问题

  学习的过程就是不断接触和认识新事物的过程。具体在机器学习中,这些新事物就是一种种算法。一种算法了解完之后,总是处于似懂非懂的状态,想要具体实现时不知从何下手。

  缺少直观上的认识,这是学习中遇到的第二问题。为什么会缺少直观上的认识呢,一方面是因为无法看见算法之间的联系,一方面是缺少一个简单易懂的例子。

  以上种种都是学习中可能会遇到的困难,不断克服困难固然会提升解决问题的能力,同时也消磨着学习的热情。如果同时出现了太多的困难,很容易就有放弃的念头。

  有没有更加平滑的学习曲线?

换一种形式来学

  写这些文章的目的,主要是为了把这磕磕碰碰的入门之旅记录下来。同时也在思考一个问题,有没有一种方式能够帮助更多的人用更经济的方法入门。

  设置前置知识:理解一个知识点需要的最低限度的前置知识,这里仅对前置知识做简要介绍。

  描绘知识地图:在已掌握和未掌握的知识点间建立联系,使得对于知识体系有个全局上的认识。

  构造最小模型:使用能够呈现算法本质的最小规模的例子,能够简洁直观地理解算法的本质。

从方程到矩阵

  下一篇要介绍的第一种算法是线性回归,现在开始为理解线性回归做一些准备工作。

  方程对于我们而言并不陌生,有几个方程组就能解几个未知数:

AI之旅(1):出发前的热身运动

  仔细观察方程组会发现每一列的未知数是相同的:

AI之旅(1):出发前的热身运动

  如果把参数视为三维空间中的向量,方程可以表示为向量的线性组合:

AI之旅(1):出发前的热身运动

  如果把未知数也视为一个向量,方程也可以表示为矩阵和向量的乘积:

AI之旅(1):出发前的热身运动

  那么下一个问题是,如果方程组的数量多于未知数的数量时该怎么解方程呢?这种情况可以用线性回归算法来处理。

  如果对向量和空间没有直观的认识,推荐观看《麻省理工公开课:线性代数》,这里面涉及的许多数学知识在后续中都会用得到。

Octave的使用

  动手实践会加深理解,把代码敲出来是很好的理解算法的途径。Octave是一款适用于数值计算的开源软件,相比于其他软件,它的优点是代码非常简洁。本文中的代码基于Octave实现。

  小任务:下载并安装Octave。

  网络上有很多介绍Octave如何使用的文章和视频,这里不再赘述,只讲以下几点,重点是要掌握通过帮助文档来学习调用函数的能力。

  1,向量的表示

AI之旅(1):出发前的热身运动

  2,矩阵的表示

AI之旅(1):出发前的热身运动

  3,画一幅图

AI之旅(1):出发前的热身运动

  4,实现一个for循环

AI之旅(1):出发前的热身运动

  5,看到不会的命令时怎么办?

AI之旅(1):出发前的热身运动

  6,英语不好怎么办?

https://ww2.mathworks.cn/help

AI之旅(1):出发前的热身运动

结语

  至此我们已经具备了能够实现线性回归算法的技术水平了,是不是很惊讶?在下一篇中我们将使用类似的例子,对线性回归的原理进行讲解。让我们开始探索之旅,走起!

上一篇:kubernetes---kubectl 管理集群资源


下一篇:Problem B: 取石子