人工智能之机器学习路线图
摘要
学习路线
这里写图片描述
你是否对机器学习充满兴趣呢?其实到目前为止，每天有越来越多的工程师开始将好奇的目光转向机器学习领域。实际上，你会发现现在没有哪一个领域比机器学习能引起更多的曝光率和关注度。机器学习已经以一种高调姿态闯入广大民众的意识当中，无论是采用机器学习等相关技术的Google AlphaGo以5局4胜的战绩打败人类世界的围棋冠军，还是采用了机器学习技术的Twitter能够鉴定是否你在酩酊大醉的时候发布了推文，无论你通过怎样的方式发现并知道机器学习技术的存在，有一件事不言而喻：机器学习的时代已经到来。
这里写图片描述
尽管机器学习技术看起来这般神器，但是对于机器学习技术的好奇心是一码事儿，而想要让该技术在相关产业当中发挥作用实际上又是另外一码事儿。这篇文章将会帮助你了解作为一名机器学习工程师具备怎样的思维方式以及需要什么样的专业技能才可以开展工作。 如果你正在考虑投身机器学习工程师的职业生涯，那么在一开始的时候，你必须弄清楚两件非常重要的事情。首先，机器学习工程师的岗位并不是一个“纯粹的”学术角色，你不需要具备科学研究经验或者专业的学术教育背景。其次，如果你仅仅具备软件工程师的能力或者仅仅具备数据科学的经验还远无法成为一名合格的机器学习工程师，除非你同时掌握以上两方面的技术经验。
数据分析 Vs. 机器学习工程师
如果想成为一名机器学习工程师，那么你必须弄清楚前者和数据分析师之间的区别，而且这非常重要。简单来讲，两者之间最为关键的区别就是他们最终的目标大相径庭。作为一位数据分析师，你的主要职责就是分析数据，并从这些抽象的数据当中提炼出具体的能让大家明白的故事，并从中产生具有可行性的洞察。数据分析工作的重点就是向公众传播并展示图表、模型已经可视化效果。数据的分析和展示由人类执行，并且其他人会根据你展示的数据做出商业决策。尤其是这一点必须引起你足够的重视——你数据分析后产生的结果的“受众”是人。但是从机器学习工程师的角度来看的话，他们最终输出的结果是一种可以工作的软件(而不是你一路以来创建的分析结果或者可视化图形)，并且你所输出结果的“受众”通常由其他软件插件组成，只需很少在少量人力劳动的监护下这些软件插件就可以自行运转。软件的智能性意味着可行性，但是在机器学习模型中，决策的制定由系统来决定，并且系统可以影响产品或者服务的行为方式。这就是软件工程技术为什么对机器学习工程师而言如此重要。
Understanding The Ecosystem——弄懂软件的生态系统
在你开始着手学习具体技能之前，我还要再向大家阐明另外一个概念。成为一名机器学习工程师必须要求你自己能够清楚地了解你所设计的整个软件系统。 让我们打个比方，如果你正在为一个连锁店项目工作，并且公司需要根据客户以往的购买历史开始有针对性的发放优惠券，目的是想生成能够让消费者可以实际使用的优惠券。在数据分析模型当中，你可以收集消费者的采购数据，对这些数据分析之后可以观察出消费者的采购行为趋势，并据此提出响应的策略。机器学习的方法是编写一个可以自动生成优惠券的系统。但是学习采取什么方式才能编写出这样一种系统呢?这种方式奏效吗?你不得不去通盘了解项目开发所处的生态系统——包括商品库存、商品类目、价格、采购订单、销售点终端软件、CRM管理系统等等。 归根结底，项目的处理流程和机器学习算法的理解关系不大，或者和应用他们的方式和时间也没有太多关系，但是却需要你能够对系统的相互关联性有很深入的了解，并需要你可以成功编写一个具有高度集成和接口功能的软件。请切记，机器学习输出的结果实际上是一个可以有效运行的软件! 现在，就让我们开始了解成为一名机器学习工程师所需要注意的各种细节方面的事宜。我们会把这些信息分成两个基本点进行阐述：技能简介以及语言和库。首先我们将从技能介绍开始，在日后的内容中我们将介绍机器学习的语言和库。
技能简介
- Computer Science Fundamentals and Programming
计算机科学基础和编程
对机器学习工程师而言，计算机科学基础的重要性包括数据结构(数据堆栈、队列、多位数组、树形以及图像等等)、算法(搜索、分类、优化、动态编程等)、科计算性与复杂性(P对NP、NP完全问题、大O符号以及近似算法等)和计算机架构(存储、缓存、带宽、死锁和分布式处理等等)。 当你在编程的时候必须能够对以上提到的这些基础知识进行应用、执行、修改或者处理。课后练习、编码竞赛还有黑客马拉松比赛都是你不可或缺的磨练技能的绝佳途径。
-
Probability and Statistics
概率论和数理统计
概率的形式表征(条件概率、贝叶斯法则、可能性、独立性等)和从其中衍生出的技术(贝叶斯网、马尔科夫决策过程、隐藏式马可夫模型等)是机器学习算法的核心，这些理论可以用来处理现实世界中存在的不确定性问题。和这个领域密切相关的还有统计学，这个学科提供了很多种衡量指标(平均值、中间值、方差等)、分布(均匀分布、正态分布、二项式分布、泊松分布等)和分析方法(ANOVA、假设实验等)，这些理论对于观测数据模型的建立和验证非常必要。很多机器学习算法的统计建模程序都是可以扩展的。 -
Data Modeling and Evaluation
数据建模及评估
数据建模就是对一个给定的数据库的基本结构进行评估的过程，目的就是发现其中所蕴含的有用模式(相互关系，聚合关系、特征矢量等)和/或者预测以前案例(分类，回归、异常检测等)的特征。评估过程的关键就是不断地对所给模型的优良性能进行评价。根据手中的任务，你需要选取一种恰当的精准/误差衡量指标(比如日志分类的损失、线性回归的误差平方和等等)和求值策略(培训测试、连续Vs. 随机交叉验证等)。通过对算法的反复学习，我们可以发现其中会存在很多误差，而我们可以根据这些误差对模型(比如神经网络的反相传播算法)进行细微的调整，因此即使你想能够运用最基本的标准算法，也需要你对这些测量指标有所了解。 -
Applying Machine Learning Algorithms and Libraries
应用机器学习算法和库
尽管通过程式库/软件包/API(比如scikit-learn,Theano, Spark MLlib, H2O, TensorFlow等)可以广泛地实现机器学习算法的标准化执行，但是算法的应用还包括选取合适的模型(决策、树形结构、最近邻点、神经网络、支持向量机器、多模型集成等)、适用于数据的学习程序(线性回归、梯度下降法、基因遗传算法、袋翻法、模型特定性方法等)，同时还需要你能够了解超参数对学习产生影响的方式。你也需要注意不同方式之间存在的优势和劣势，以及那些可能会让你受牵绊的大量陷阱(偏差和方差、高拟合度与低拟合度、数据缺失、数据丢失等)。对于数据科学和机器学习所带来的这些方面的挑战，大家可以去Kaggle网站获取很多学习参考，你可发现不同的问题当中存在的细微差别，从而可以让你更好的掌握机器学习的算法。 -
Software Engineering and System Design
软件工程和系统设计
在每天工作结束的时候，机器学习工程师通常产生的成果或者应交付的产品就是一种软件。这种软件其实也是一种小型插件，它可以适用于相对更大型的产品或者服务的生态系统。你需要很好地掌握如何才能让这些彼此不同的小插件协同工作，并与彼此进行流畅的沟通(使用库函数调用、数据接口、数据库查询等)的方法，为了让其他的插件可以依附你的插件进行很好的工作，你也得需要为你的差价建立合适的接口。精心设计的系统可以避免以后可能出现的瓶颈问题，并让你的算法系统满足数据量激增时候的扩展性能。软件工程的最佳的实践经验(需求分析、系统设计、模块化、版本控制、测试以及归档等)对于产能、协作、质量和可维护性而言是不可获取的无价之宝。
Machine Learning Job Roles——机器学习的工作角色
这里写图片描述
The Future of Machine Learning——机器学技术的发展展望
机器学习工程师最让人欲罢不能的特征或许就是这个岗位角色拥有看起来无所不能的广泛适应性。包括教育行业、计算机科学还有更多领域在内的很多行业已经受到了机器学习的积极影响。实际上你会发现没有哪个领域不会应用机器学习技术。对于某些行业案例而言，他们对机器学习技术有极其迫切的需求。健康医疗产业就是一个显而易见的例子。机器学习技术已经在健康医疗长夜中的很多重要领域得到了广泛的应用，无论是致力于减少护理差异，还是医学扫描分析，机器学习技术正在潜移默化地为这些领域带来改变。来自纽约大学的数学科学克朗学院和数据科学中心的助理教授David Sontag先生最近发表了关于机器学习技术和健康医疗系统的演讲，在演讲中他讨论了机器学习是如何通过自己的潜力改变了整个医疗产业。 毫无疑问，这个世界正在发生着快速和戏剧性的转变。对于机器学习工程师的需求正在呈现指数型的增长趋势。世间充满了复杂的挑战，并因此需要更加复杂的系统才可以将这些挑战迎刃而解。而机器学习工程师们就是可以建造这些系统的最佳人选。如果你的未来需要借助机器学习技术获得更好的发展，那么此时此刻就是你迈出脚步掌握相关技能并开发你思维的最佳时机!
