小白必定收藏的机器学习文章

• 2019 年 10 月 5 日
• 筆記

我的机器学习算法之路

本篇文章源自武博士，这篇文章在gitchat上原本收费，现在公开分享。 一. 引言

二、机器学习的概念三、机器学习的“三板斧”方法论四、机器学习的推荐学习路线1.学习准备：2.学习路线（1年）：3. 学习宝典：4. 编程建议：五、机器学习的学习资料1.数学知识2.编程知识3. 机器学习资料汇总4. 本人博客

未来，人工智能是生产力，是变革社会的主要技术力量之一。 掌握人工智能技术，需要从基础的机器学习算法开始学习，逐渐建立机器学习知识体系。

本篇文章 ：

1. 带大家克服心理上对于机器学些的敬畏，绕开弯路（本人入过很多坑），进入机器学习领域。
2. 从基本概念和机器学习的应用领域入手，帮助大家建立机器学习的概念模型。
3. 用最基本的线性回归和逻辑回归算法，让大家掌握机器学习神秘的“三板斧”方法论。
4. 通过自身多年的学习经验，举一反三，引导大家科学建立机器学习和深度学习的学习路线。

一. 引言

首先，我们看一下在Quora（美国知乎）上的三个问题和专家回答。 1. 我能在没有计科硕士、博士文凭的情况下找到一份关于机器学习的工作吗？ "你当然可以，但是想进入这个领域则无比艰难。" –Drac Smith

2. 我是一名软件工程师，我自学了机器学习，我如何在没有相关经验的情况下找到一份关于机器学习的工作？

"我正在为我的团队招聘机器学习专家，但你的MOOC并不会给你带来工作机会。事实上，大多数机器学习方向的硕士也并不会得到工作机会，因为他们（与大多数上过MOOC的人一样）并没有深入地去理解。他们都没法帮助我的团队解决问题。"– Ross C. Taylor

3. 找一份机器学习相关的工作需要掌握怎样的技能？

"首先，你得有正儿八经的计科或数学专业背景。ML是一个比较先进的课题，大多数的教材都会直接默认你有以上背景。其次，机器学习是一个集成了许多子专业的奇技淫巧的课题，你甚至会想看看MS的机器学习课程，去看看他们的授课、课程和教材。""统计，假设，分布式计算，然后继续统计。" –Hydrangea

通过以上三个问题好专业人士的回答，很多机器学习小白可能会望而却步。 其实，我通过自身的学习经验，长期坚持和积累，发现机器学习的内在规律，分享出来，让大家克服心理恐惧，高效的投入的机器学习课程中。

再举一些机器学习大牛的例子：

• Kaggle Grandmaster Evgeny Patekha：四十岁才开始数据科学生涯
• Kaggle Grandmaster Alexander Larko：五十五岁才开始参加Kaggle竞赛

说明任何时候学习都不嫌晚！但是一定要有正确的方法和坚毅的态度。

好吧，那么我们就进入机器学习的世界。

二、机器学习的概念

究竟什么是机器学习？

这个问题回答如果在教科书，可能会很复杂。但是能够把复杂的问题简单化，是一件见不太容易的事情（需要足够的功力）。但是我尽量为大家这样做。

机器学习就是需找一种函数f(x)，这种函数能够做预测、分类、生成等工作。

1.语音识别:输入一段语音信号，输出文字：

输入：

语音信息

输出："how are you"

2.图像识别:输入图片，输出图片的属性：

输入：

猫

输出："cat"

3.智能控制：输入棋盘局势，输出下一步落棋位置

输入：

棋盘

输出："5*5"

4.对话系统: 输入语言，系统回复

输入："Hi"

输出："Hello"

那么，找到这个函数f(x)是机器学习者的核心任务。下面的讲到的“方法论”核心就是如何去找f(x)。

三、机器学习的“三板斧”方法论

机器学习的过程和把大象放冰箱一样，一共分三步： step_1: 定义一个函数集合（define a function set） step_2: 判断函数的好坏（goodness of a function） step_3: 选择最好的函数（pick the best one）

这里写图片描述

首先，进人用“三板斧”解决机器学习中最基本的回归（预测）、分类问题之前，我们进行一下准备活动。

准备活动1：学习梯度下降

三板斧中的核心步骤- 步骤3： 选择最好的函数。

步骤3中，如何选择好的神经网络（的呢？

L(

) 代表判断函数的好坏（一般为与真实值的差距，差距越小越好）

我们的目标是让L(

) 最小化：

这里我们就引入梯度下降（高等数学中的基本概念）：

  梯度下降机器学习、深度学习中最重要的概念之一：    梯度下降是目前，最有效的方法之一。  

方法：我们举两个参数的例子

1,

2, 损失函数是L。那么它的梯度是：

那我为了求得最小值，我们有：

参数不断被梯度乘以学习率η 迭代

那么上述公示公为什么是减号，不是加号呢？ 我们定义theta改变的方向是movement的方向, 而gradient的方向是等高线的法线方向

准备活动2：了解Keras

Kearas 是机器学习、深度学习小白代码入门的最佳工具之一。

如果想提升、练习代码能力，还是建议算法徒手python实现。 复杂的深度神经网络项目还是推荐TensorFlow或者Pytorch

简介：

• Keras是一个高级神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。
• Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
• 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）支持CNN和RNN，或二者的结合无缝CPU和GPU切换。

为了更加生动的让小白同学克服机器学习、深度学习编程的恐惧心理，我再这里给出一幅图：

机器学习，尤其是深度学习编程strong text其实是：搭积木！

介绍完本次代码演示的工具后，我们就用实际经典的机器学习的代码，手握“三板斧”，带大家进入机器学习的世界。

机器学习最重要的问题，主要是在回归（预测）、和分类，我们的例子包含这两大类。

1. 线性回归

问题 给下面一组数据，用一条线来对数据进行拟合，并可以预测新输入 x 的输出值。

• 创建数据（模拟数据）

# create some data  X = np.linspace(-1, 1, 200)  # randomize the data  np.random.shuffle(X)  Y = 0.5 * X + 2 + np.random.normal(0, 0.05, (200, ))  # plot data  plt.scatter(X, Y)  plt.show()  # train 前 160 data points  X_train, Y_train = X[:160], Y[:160]  # test 后 40 data points  X_test, Y_test = X[160:], Y[160:]  

可视化创建的数据集如下：

下面就是三板斧了：

(1) 线性回归- 徒手代码版（推荐）

我们定义函数集合为：

， m=160（训练数据的量）

 # 第一板斧：定义一个函数集合    X = np.c_[np.ones(m), X]    theta = np.zeros(2)    # Some gradient descent settings    iterations = 1500    alpha = 0.01    # 第二板斧：判断函数的好坏(本例中用的是MSE 均方误差)     cost = np.sum((np.dot(X, theta) - y) ** 2) / (2 * m)    # 第三板斧：选择最好的函数（theta 让Loss最小）    theta = gradient_descent(X_train,Y_train, theta, alpha, iterations, cost)    # 结果    predict = np.dot(X_test, theta)  

注： gradient_descent 函数的实现我们暂时忽略，但是原理大家已经掌握。 我们的预测结果如下：

(2) 线性回归- Kears 神经网络版

三板斧1：定义一个函数集合（建立神经网络模型） 我们定义函数集合为：

我们用 神经网络来拟合这样函数。

Sequential 建立 model， 再用 model.add 添加神经层，添加的是 Dense 全连接神经层。

参数有两个，一个是输入数据和输出数据的维度，本代码的例子中 x 和 y 是一维的。

如果需要添加下一个神经层的时候，不用再定义输入的纬度，因为它默认就把前一层的输出作为当前层的输入。在这个例子里，只需要一层就够了。（即使是一层神经网络可以拟合任何函数）

model = Sequential()  model.add(Dense(output_dim=1, input_dim=1))  

三板斧2：判断函数的好坏 误差函数是判断函数好坏的主要方式，本例中用的是MSE 均方误差； 优化器用的是 sgd 随机梯度下降法（一种能让MSE找到最小值的通用方法）

# choose loss function and optimizing method  model.compile(loss='mse', optimizer='sgd') 

三板斧3：选择最好的函数（训练模型）

训练的时候用 model.train_on_batch 一批一批的训练 X_train, Y_train。默认的返回值是 cost，每100步输出一下结果。

# training  print('Training -----------')  for step in range(301):      cost = model.train_on_batch(X_train, Y_train)      if step % 100 == 0:          print('train cost: ', cost)    """  Training -----------  train cost:  4.111329555511475  train cost:  0.08777070790529251  train cost:  0.007415373809635639  train cost:  0.003544030711054802  """  

三板斧过后，我们检验一下我们模型：

用到的函数是 model.evaluate，输入测试集的x和y， 输出 cost，weights 和 biases。其中 weights(theta0) 和 biases(theta1) 是取在模型的第一层 model.layers[0] 学习到的参数。从学习到的结果你可以看到, weights 比较接近0.5，bias 接近 2。

# test  print('nTesting ------------')  cost = model.evaluate(X_test, Y_test, batch_size=40)  print('test cost:', cost)  theta1, theta0 = model.layers[0].get_weights()  print('Weights=', theta1, 'nbiases=', theta0 )    """  Testing ------------  40/40 [==============================] - 0s  test cost: 0.004269329831  Weights= [[ 0.54246825]]  biases= [ 2.00056005]  """  

可视化结果 ：

# plotting the prediction  Y_pred = model.predict(X_test)  plt.scatter(X_test, Y_test)  plt.plot(X_test, Y_pred)  plt.show()  

我们的回归问题，通过找到函数的参数theta1 =0.5，theta0 =2.0，已经完成：

2. 分类

分类问题中，我们使用深度学习的“Hello World”，手写数字识别作为例子。 手写数字识别。用最简单的DNN神经网络实现。

Keras 自身就有 MNIST 这个数据包，再分成训练集和测试集。x 是一张张图片，y 是每张图片对应的标签，即它是哪个数字。

输入的 x 变成 60,000*784 的数据，然后除以 255 进行标准化，因为每个像素都是在 0 到 255 之间的，标准化之后就变成了 0 到 1 之间。

对于 y，要用到 Keras 改造的 numpy 的一个函数 np_utils.to_categorical，把 y 变成了 one-hot 的形式，即之前 y 是一个数值， 在 0-9 之间，现在是一个大小为 10 的向量，它属于哪个数字，就在哪个位置为 1，其他位置都是 0。

from keras.datasets import mnist    # download the mnist to the path '~/.keras/datasets/' if it is the first time to be called  # X shape (60,000 28x28), y shape (10,000, )  (X_train, y_train), (X_test, y_test) = mnist.load_data()    # data pre-processing  X_train = X_train.reshape(X_train.shape[0], -1) / 255.   # normalize  X_test = X_test.reshape(X_test.shape[0], -1) / 255.      # normalize  y_train = np_utils.to_categorical(y_train, num_classes=10)  y_test = np_utils.to_categorical(y_test, num_classes=10)    print(X_train[1].shape)  """  (784,)  """    print(y_train[:3])  """  [[ 0.  0.  0.  0.  0.  1.  0.  0.  0.  0.]   [ 1.  0.  0.  0.  0.  0.  0.  0.  0.  0.]   [ 0.  0.  0.  0.  1.  0.  0.  0.  0.  0.]]  """  

我们的三板斧又可以登场了：

三板斧1：定义一个函数集合（建立神经网络模型）：

在回归网络中用到的是 model.add 一层一层添加神经层，以下图片分类的方法是直接在模型的里面加多个神经层。好比一个水管，一段一段的，数据是从上面一段掉到下面一段，再掉到下面一段。

第一段就是加入 Dense 神经层。32 是输出的维度，784 是输入的维度。 第一层传出的数据有 32 个 feature，传给激励单元，激励函数用到的是 relu 函数。 经过激励函数之后，就变成了非线性的数据。 然后再把这个数据传给下一个神经层，这个 Dense 我们定义它有 10 个输出的 feature。同样的，此处不需要再定义输入的维度，因为它接收的是上一层的输出。 接下来再输入给下面的 softmax 函数，用来分类。

model = Sequential([      Dense(32, input_dim=784),      Activation('relu'),      Dense(10),      Activation('softmax'),  ])  

三板斧2：判断函数的好坏：

损失函数，分类和回归问题的不一样，用的是交叉熵（信息学的概念，其实就是两个组概率分布相似程度）。

nter image description here

用 RMSprop 作为优化器（暂时可以认为是一种让Loss稳定减少的工具），它的参数包括学习率等，可以通过修改这些参数来看一下模型的效果。

rmsprop = RMSprop(lr=0.001, rho=0.9, epsilon=1e-08, decay=0.0)  model.compile(optimizer=rmsprop, loss='categorical_crossentropy', metrics=['accuracy'])  

三板斧3：选择最好的函数（训练模型）

这里用到的是 fit 函数，把训练集的 x 和 y 传入之后，nb_epoch 表示把整个数据训练多少次，batch_size 每批处理32个。

enter image description here

model.fit(X_train, y_train, epoch=20, batch_size=100)  """  Training ------------  Epoch 1/2  60000/60000 [==============================] - 2s - loss: 0.3506 - acc: 0.9025  Epoch 2/2  60000/60000 [==============================] - 2s - loss: 0.1995 - acc: 0.9421  """  

三板斧过后，我们检验一下我们模型：

print('nTesting ------------')  # Evaluate the model with the metrics we defined earlier  loss, accuracy = model.evaluate(X_test, y_test)    print('test loss: ', loss)  print('test accuracy: ', accuracy)  """  Testing ------------   9760/10000 [============================>.] - ETA: 0s  test loss:  0.1724540345  test accuracy:  0.9489  """