一提到人工智能，很多人都會(huì)想到不簡(jiǎn)單，頭腦一般的人根本學(xué)不進(jìn)去，格物斯坦表示：在學(xué)人工智能之前，要掌握多門(mén)相關(guān)的理論學(xué)科作為基礎(chǔ)，才能得心應(yīng)手的去學(xué)，過(guò)程還是比較艱辛的，但一定要克服才行。

統(tǒng)計(jì)學(xué)。要深入理解機(jī)器學(xué)習(xí)，必須要有扎實(shí)的統(tǒng)計(jì)學(xué)基礎(chǔ)知識(shí)，這涉及到幾個(gè)方面：度量模型是否成功的各種方法（精確度、召回率、ROC曲線(xiàn)下面積等）。損失函數(shù)和評(píng)估指標(biāo)的選擇是如何偏離模型的輸出的。如何理解過(guò)擬合和欠擬合，以及偏差/方差折衷。你對(duì)模型的結(jié)果有什么樣的信心。

機(jī)器學(xué)習(xí)理論。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的時(shí)候，實(shí)際上發(fā)生了什么？是什么使得某些任務(wù)可行，而其他任務(wù)不可行？要弄清楚這些問(wèn)題，最好的方法不是深入研究理論知識(shí)，而是試著通過(guò)圖形和示例來(lái)了解機(jī)器學(xué)習(xí)。需要理解的概念范圍包括：不同的損失函數(shù)的工作原理是什么、為什么反向傳播是有用的、計(jì)算圖是什么。而對(duì)于如何建立一個(gè)功能模型，以及如何跟團(tuán)隊(duì)里的其他人員進(jìn)行有效地交流，這些都需要深入地理解。下面我給出了一些參考資料：

數(shù)據(jù)處理。如果你去問(wèn)任何一個(gè)數(shù)據(jù)科學(xué)家他們的主要工作是什么，他們會(huì)告訴你，90%的工作是數(shù)據(jù)處理。這與應(yīng)用AI同樣重要，因?yàn)槟Ｐ偷某晒εc否與數(shù)據(jù)的質(zhì)量（和數(shù)量）強(qiáng)相關(guān)。數(shù)據(jù)工作包含多個(gè)方面，但可歸納為下面幾類(lèi)：

數(shù)據(jù)采集（包括：找到好的數(shù)據(jù)源、準(zhǔn)確度量數(shù)據(jù)的質(zhì)量和分類(lèi)、獲取和推斷標(biāo)簽）數(shù)據(jù)預(yù)處理（缺失數(shù)據(jù)填補(bǔ)、特征工程、數(shù)據(jù)增強(qiáng)、數(shù)據(jù)規(guī)范化、交叉驗(yàn)證分割）數(shù)據(jù)后處理（使模型的輸出可用、清理工作、處理特殊情況和異常值）

熟悉數(shù)據(jù)處理工作最好的方法是獲取一個(gè)數(shù)據(jù)集并試著使用它。有很多在線(xiàn)數(shù)據(jù)集，以及很多提供API的社交媒體和新聞媒體網(wǎng)站?；谏厦嫣岬降膸讉€(gè)步驟，我們可以這樣進(jìn)行學(xué)習(xí)：獲取一個(gè)開(kāi)源的數(shù)據(jù)集，并對(duì)其進(jìn)行檢查。它有多大（點(diǎn)和特征的數(shù)量）？數(shù)據(jù)如何分布？是否存在缺失值或異常值？構(gòu)建一個(gè)將原始數(shù)據(jù)轉(zhuǎn)換為可用數(shù)據(jù)的轉(zhuǎn)換流程。如何填補(bǔ)缺失值？如何正確處理異常值？如何規(guī)范化數(shù)據(jù)？能創(chuàng)造出更多的表現(xiàn)特征嗎？檢查轉(zhuǎn)換過(guò)的數(shù)據(jù)集。

對(duì)模型進(jìn)行調(diào)試或調(diào)優(yōu)。調(diào)試機(jī)器學(xué)習(xí)算法（無(wú)法收斂，或者得到的結(jié)果不合理）與調(diào)試普通代碼有著很大的區(qū)別。同時(shí)，要找出合適的架構(gòu)和超參數(shù)則需要具備扎實(shí)的理論基礎(chǔ)和完備的基礎(chǔ)架構(gòu)，以便對(duì)不同的配置進(jìn)行徹底的測(cè)試。由于目前機(jī)器學(xué)習(xí)領(lǐng)域發(fā)展迅猛，而調(diào)試模型的方法也在不斷地發(fā)展。以下是從我們部署模型的討論和經(jīng)驗(yàn)中總結(jié)出來(lái)的“合理性檢查”列表，這些條目也以某種方式反映了許多軟件工程師熟悉的KISS原理。

從一個(gè)已經(jīng)被證明可以使用類(lèi)似數(shù)據(jù)集的簡(jiǎn)單模型開(kāi)始，以盡快獲得基線(xiàn)版本。經(jīng)典的統(tǒng)計(jì)學(xué)習(xí)模型（線(xiàn)性回歸、最近鄰居等）或者簡(jiǎn)單的啟發(fā)式算法或規(guī)則通常能幫你解決80%的問(wèn)題，并且能更快地實(shí)現(xiàn)需求。剛開(kāi)始的時(shí)候，要用最簡(jiǎn)單的方式來(lái)解決問(wèn)題（請(qǐng)參閱谷歌的機(jī)器學(xué)習(xí)規(guī)則的前幾點(diǎn)）。如果你決定訓(xùn)練一個(gè)更復(fù)雜的模型以改進(jìn)基線(xiàn)版本，那么可以用數(shù)據(jù)集的一個(gè)很小的子集來(lái)進(jìn)行訓(xùn)練并達(dá)到過(guò)擬合。這能夠確保這個(gè)模型至少還有學(xué)習(xí)的能力。不斷地對(duì)模型進(jìn)行迭代，直到對(duì)5%的數(shù)據(jù)量過(guò)擬合。

一旦開(kāi)始用更多的數(shù)據(jù)進(jìn)行訓(xùn)練，那么超參數(shù)就開(kāi)始發(fā)揮更大的作用了。你需要理解這些參數(shù)涉及到的理論，這樣才能找到合理的值。請(qǐng)采用有針對(duì)性的方法對(duì)模型進(jìn)行調(diào)優(yōu)。簡(jiǎn)要地記錄下你曾經(jīng)使用的所有配置及其結(jié)果。在理想情況下，可以使用自動(dòng)超參數(shù)搜索策略。最開(kāi)始的時(shí)候，使用隨機(jī)搜索就足夠了。你的開(kāi)發(fā)能力越強(qiáng)，則這些步驟實(shí)現(xiàn)起來(lái)就越快，反之亦然。

軟件工程。許多的應(yīng)用機(jī)器學(xué)習(xí)允許你充分發(fā)揮自己在軟件工程方面的技能，雖然有時(shí)也會(huì)有一點(diǎn)小改變。這些技能包括：測(cè)試流水線(xiàn)的各個(gè)方面（數(shù)據(jù)的預(yù)處理和增強(qiáng)、輸入輸出的整理、模型推理時(shí)間）。基于模塊化和可重用的原則來(lái)構(gòu)建代碼。訓(xùn)練過(guò)程中的不同點(diǎn)對(duì)模型進(jìn)行備份（設(shè)置檢查點(diǎn)）。配置一個(gè)分布式的基礎(chǔ)架構(gòu)，這樣能更加有效地進(jìn)行訓(xùn)練、超參數(shù)搜索或者推演。

綜上所述，少年們要學(xué)好人工智能之前，知識(shí)面和動(dòng)手能力方面要比平常人更出類(lèi)拔萃才行，現(xiàn)代高科技社會(huì)需要的是優(yōu)秀的奇才，而不是平庸的勞動(dòng)者。
責(zé)任編輯：YYX