大家好，我是李烨。现就职于微软（Microsoft），曾在易安信（EMC）和太阳微系统（Sun Microsystems）任软件工程师。先后参与过聊天机器人、大数据分析平台等项目的开发。在未来的 10 周里，我将通过“机器学习极简入门课”与同学们分享关于机器学习方面的一些心得。
课程背景
首先，我们来看一下当前机器学习领域招聘市场的行情。
你将收获什么
AI 技术岗位求职知识储备
如果大家真的有意投身到人工智能领域做技术性工作，那么经过技术笔试、面试是必要条件。在面试中被要求从头解释某一个机器学习模型的运行原理、推导过程和优化方法，是目前非常常见的一种测试方法。机器学习模型虽然很多，但是经典、常用的很有限。如果能把本课程中讲解的经典模型都学会，用来挑战面试题相信是足够了。
触类旁通各大模型与算法
各种机器学习模型的具体形式和推导过程虽然有很大差别，但却在更基础的层面有许多共性。掌握共性之后，再去学新的模型、算法，就会高效得多。虽然本课的第二部分集中描述了部分一般性共同点，但真要理解个中含义，却还要以若干具体模型为载体，从问题发源，到解决方案，再到解决方案的数学抽象，以及后续数学模型求解的全过程，来了解体味。这也就是本课以模型为驱动的出发点。
极简版实例体验实际应用
运用到实践中去，是我们学习一切知识的目的。机器学习本身更是一种实操性很强的技术，学习它，原本就是为了应用。反之，应用也能够促进知识的深化理解和吸收。本课虽然以原理为核心，但也同样介绍了：划分数据集、从源数据中提取特征、模型训练过程、模型的测试和评估等方法和工具。
配套数据+代码快速实操上手
本课程中各个实例的 Python 代码及相应数据，大家可以下载、运行、改写、参考。
课程寄语
我希望本课的读者在知识和技巧的掌握之外，能够将学习到的基本规律运用到日常生活中，更加理性地看待世界。
再遇到“人工智能产品”，能够根据自己的知识，去推导：How it works——
- 它背后有没有用到机器学习模型li>
- 如果有的话是有监督模型还是无监督模型li>
- 是分类模型还是回归模型li>
- 选取的特征是哪些li>
- 如果由你来解决这个问题，有没有更好的方法li>
我们自己用来判断万事万物的“观点”、“看法”、“洞察”，实际上都是我们头脑中一个个“模型”对所闻所见（输入数据）进行“预测”的结果。这些模型自身的质量，直接导致了预测结果的合理性。
借鉴机器学习认识客观规律的过程，可以知道，模型是由数据和算法决定的。对应到人脑，数据是我们经过见过的万事万物，而算法则是我们的思辨能力。
我们作为人类不必被动等待一个外来的主宰者。完全可以主动训练自己的思维模型，通过改进算法和增大数据量及数据多样性来提升模型质量——如果能在这方面给读者朋友们带来些许启发，我实在不胜荣幸。
最后，预祝每一位订阅课程的朋友，能够通过学习找到心仪的工作，如果大家有任何疑问和建议，也欢迎通过读者圈与我交流，我们共同学习，共同进步。
我之前分享的一场 Chat 《入行 AI，选个脚踏实地的岗位》中曾提到，工业界所需的 AI 技术人员，更多集中在算法、工程、数据相关岗位之上，并全面总结了不同岗位角色所需要具备的素质、日常工作的状态，及职业发展路径。这场 Chat 也将收录在课程最后，作为福利供大家免费阅读，加油！
文章知识点与官方知识档案匹配，可进一步学习相关知识OpenCV技能树首页概览11242 人正在系统学习中
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！