学习笔记：人工智能基础-机器学习（一）

目前我在Udacity同时攻读《数据分析：基础》和《机器学习：进阶》两门纳米学位课程。之所以对这个感兴趣，是因为关注人工智能方面的资讯有了一段时间，觉得这是未来的趋势，希望今后能够在这方面有所成绩。选择纳米学位课程是因为我觉得它与Udacity的免费教程有些区别：

有专业的人员对学习成果进行评估，提供建议。

建立学习社群，能够找到学习伙伴，互通有无。

围绕具体项目开展学习，提供就业方面的指导。

花了钱心疼，必须得学够本才行！

最后一条非常重要！（回头看一下，感觉上面几条非常工整，竟然有广告语的赶脚……）

纳米课程对学生学习的时间投入是有一定要求的，通常每门课需要学生每周至少保证投入10个小时。像我这样的工作族，想要每周抽出足够的时间来充电学习还是很难的。值得一提的是，Udacity的学习社群还是花样蛮多的。通常报名后可以加入两种社群：一个是通关群，完成一个项目就会被工作人员传送到下一个项目群里，有点打游戏的意思。另一个是互助群，主要针对的是对自控力不是很自信的学员，提供一个10人左右的小团体，配有一名导师，日常任务就是关注学员进度，提醒每个人不要掉队。还会定期开班会，指导项目内容，分享学习心得，互助群对我的帮助很大。

通过机器学习这门课，我对人工智能领域有了一个比较具体的认识。由于媒体近来对AI领域的热烈推捧，让人觉得科幻小说里的未来世界好像就在眼前。我也让想象力跟着飞了好一会儿，这也很大程度上促成了我下决心投入时间和金钱来学习入门。然而经过这段时间的学习，我开始重新审视自己对人工智能的认知，课程一开始的内容都是些朴素的数学和统计学原理，并没有什么黑科技。为什么人们可以将这些朴素的原理像魔法一样转换成AI各种强大的能力，这中间跨越了多少环节？对我来说，思考这个问题可能要比学会具体某个Python命令的用法更加重要。我可以短时间的学会怎样用Naive Bayes函数实现高精确度的匹配，用Decision Tree来构建预测模型，但是这些技术背后的机理却很难短时间就吃透。思考这些问题花费了我更多的时间。

总结一下这段时间学习的具体收获：

重新梳理了一下描述统计学和推论统计学的知识；

掌握了基本的Python语法，Numpy，Pandas和Sklearn也熟悉起来；

学会用Naive Bayes，Desicion Tree，神经网络等方法建立机器学习模型；

用英文完成了三个项目，Stroop effect，Titanic Survival 和波士顿房价预测，虽然目前工作语言是英文，但是这么用心的写项目报告还是头一回；

搜集了很多机器学习方面的资料，发现了一些有趣的技术博客；

开始使用GitHub，越来越发现自己喜欢写代码，难道说我其实应该是程序猿的命么？才发现自己入错行这么多年，心情很复杂~

这个学习笔记在接下来的时间里会不定期更新，主要是用来记录自己的点滴进步和心得，如果有幸能让读到的人有所收获，那简直我是幸福！~

注：原文是我半年前发在知乎的文章，经过简单修改而成。