机器学习: 引言

听过人们谈论过机器学习，但对它的概念却是一知半解?

想要从零开始机器学习，却被网络上的海量资源冲昏头脑?

不用担心，我们给你们提供了机器学习从0到1系列，这个系列可以让你从入门到精通。

现在就开始学习吧!

· · ·

这份指南是为了那些对机器学习感兴趣，但不知如何开始的朋友们准备的。我想大多厌倦在网上搜索大量资料的人都会有挫败感，也放弃了有人能指引他们如何入门的希望。

这个系列的目标，就是教会你们从初学者的角度，正确学习机器学习。

· · ·

为什么说数学是必须的?

机器学习建立在一些数学的基础课程上的，比如微积分，线性代数，概率论，统计学和最优化。这篇文章旨在帮助你们学习一些基本概念，并提供一个可在 Jupiter Notebook 上使用 python 程序设计语言的可操作方法。

第1步 : 线性代数

线性代数是在计算机里设计优化算法的一种方式 ——可以解决线性系统约束问题。

线性代数中你需要了解的概念：

#1 矩阵的秩;
#2 矩阵向量积;
#3 矩阵的列空间和零空间;
#4 特征值和特征向量;
#5 矩阵的奇异值分解;

这是一个了解线性代数概念的速查表：

来源：https://minireference.com/static/tutorials/linear_algebra_in_4_pages.pdf

第2步 ：概率论和数理统计

这一数学分支是用来解决随机分布量问题的。

概率论与数理统计中你需要了解的概念：

概率论：

#1 计数方法和组合方法;
#2 贝叶斯理论;
#3 随机变量;
#4 期望;
#5 方差;
#6 条件分布和联合分布;
#7 矩量母函数;
#8 指数型分布族;

数理统计:

#1 最大似然估计;
#2 最大后验概率;
#3 先验概率和后验概率;
#4 抽查法;
#5 吉布斯现象;
#6 平均数，众数，中位数，方差;

这是一个了解概率论和数理统计概念的速查表 :

来源： https://static1.squarespace.com/static/54bf3241e4b0f0d81bf7ff36/t/55e9494fe4b011aed10e48e5/1441352015658/probability_cheatsheet.pdf

来源: http://web.mit.edu/~csvoss/Public/usabo/stats_handout.pdf

第3步 ：多元微积分

经典微积分研究变量和变化率之间的关系。但在机器学习中，我们主要使用微分运算来求解函数的极值，使用积分运算来求解概率模型。

多元微积分中你需要掌握的概念

#1 向量值函数
#2 偏导函数
#3 梯度
#4 方向梯度
#5 黑塞算子
#6 雅各比算子
#7 拉普拉斯算子(低量算子)
#8 拉格朗日乘子

来源： http://tutorial.math.lamar.edu/getfile.aspx?file=B,41,N

第4步：信息论入门

信息论是应用数学的一个分支，它关注如何“度量“信息。

信息论中你需要掌握的概念：

#1 熵
#2 互信息
#3 信息增益
#4 KL散度(相对熵)

来源：http://tuvalu.santafe.edu/~simon/cheat_sheet_info.pdf

第5步：NLP(自然语言处理)

自然语言出来指的是利用软件自动地处理注入讲话和文本的技术。

做为对文本数据感兴趣的机器学习实践者，我们关心自然语言领域的工具和方法。

广义上，利用计算机处理的任何自然语言，均视为自然语言处理，或缩写为NLP。一个极端的理解比如说，可以简单地通过统计词频来比较不同作者的写作风格。另一个极端理解是，NLP应该包括理解完整的人类话语，至少某种程度给予有意义的回应。

— 第9页，利用python进行自然语言处理，2009。

自然语言处理(NLP)指人类语言的一系列自动处理过程的集合名词。它既包含处理人类输出的文本，也包含输出人类可以看的文本。

— 第18页，利用神经网络进行自然语言处理， 2017。

语言学的目标是可以将我们周围所能大量观察到的对话、文章文本和其他媒介特征化并对其进行解释。这里既包括研究人类认知，产生和理解语言的能力，也包含理解语言表达方式和客观世界的关系，还包含理解不同语言的语言结构。

— 第3页，统计自然语言处理，1999。

这些是必备的数学、统计自然语言处理知识。我的建议是如果你想深入探索机器学习，你至少需要掌握提到的一些概念。