LmYjQ / Ai_for_everyone

内容简介

力图用最简单易懂的方式科普机器学习算法/人工智能

计划更新内容如下：

• 第0期 机器学习算法能解决什么样的问题（已更新）
• 第1期 15分钟带你掌握实战机器学习前的知识准备
• 第2期 来一场kaggle实战初体验
• 第3期 学习资料推荐
• 还没想好，欢迎大家提建议

现有内容有什么缺点

• 理论性内容过于严谨，学起来吃力耗时长
• 快餐性内容过于流程化，看了之后不知道怎么用到自己的场景里
• 我希望结合自己的踩坑经验，做一些讲解让大家看了以后就能上手用，用起来之后再慢慢补理论基础

适合人群

任何对机器学习算法，人工智能感兴趣的专业/非专业人群。

FAQ

• 1.我是xxx背景，我可以做机器学习吗？

答：任何人都可以学习和使用机器学习，因为现有的算法包已经很成熟了，简单理解原理之后调用是很容易的一件事情。仅仅调用现成的算法包在很多场景下已经足够产生很大的收益了，不需要每个人都去把理论吃透，发明新的算法。

• 2.我想学习机器学习，应该怎么开始？

答：(1)如果时间比较充裕，对数学基础比较有信心，可以选择系统性的学习。从andrewNG，李宏毅，林轩田的课开始看。书籍参考李航《统计学习方法》和西瓜书（周志华老师《机器学习》），英文教材PRML等等。这些资料去知乎能搜到很多。(2)如果时间不充足，不喜欢推数学公式的话可以直接上手实操。先学一些python的基础语法，然后直接上kaggle找比赛看高赞的kernel。kernel就是别人写的代码，从读取数据，预处理，模型训练到预测，很快就可以体验完整的流程，不需要对模型的理解很深入。先把完整的流程走通，得到正反馈再一点一点补理论基础。(后面总结更多资料)

个人推荐大多数人走方法二就好。因为如果不是要走学术路线，只是为了能解决一些实际问题或者找工作，只要明白每个模型的大体思路，每个参数有什么影响，用别人写好的模型就足够做出一个还不错的结果了。想要突破sota做出创新的方法一还是留给少数大牛去做吧

• 3.算法这么“高大上”的岗位都会被裁的？

答：任何岗位都是搬砖的，当老板认为你不能做出足够大的产出（或者说产出足够大产出的概率不够大），那被裁就是理所应当的了。一个事实是，算法能够产出是依赖很多前提的：业务量要够大，能够产出高质量的数据，开始的探索期有一段时间是赔钱的……但是开发就不一样了，老板提出什么需求（只要是正常需求）你满足就好了，（至少在老板看来）能够有产出是很明确的一件事情。

• 4.非计算机专业转行做算法难度大吗？

答：做算法难度确实大，但是哪行都不容易啊，看自己愿意吃哪种苦了。只要有心想做，可以参照Q2中的方法二自己试一试。现在的网络资源如此之丰富，只需要用业余时间去做，不需要辞职不需要花钱不需要重新高考。后面这里会持续更新对新人更友好的学习教程。

• 5.关于找算法岗的工作/实习

答：实际经验比学历重要的多。为什么很多人有学历很重要的感觉，那是因为没有实践经验，那人家就只能看你学历了。至于实践经验怎么找，kaggle还有很多类似的平台上有大把的比赛（后面总结一下比赛的平台）可以刷。

• 为什么up主的发量有点不像程序员？

答：大概是因为我还不够强吧。。。努力中