原標題 HOW TO GET STARTED WITH MACHINE LEARNING!
翻譯 | 楊惠淳 字幕 | 凡江
一說到機器學習，我被問得最多的問題是：給那些開始學習機器學習的人的最好的建議是什麼？
其實說句實話，我並不知道怎麼回答這個問題。每一個學習者都是獨一無二的個體，有自己的學習需求和目的。我所能做的，就是分享一下當初我開始學習機器學習的時候，對我很有用的方法。
我是如何開始接觸機器學習的
讓時間回到2017年，我看到了SethBling實現機器學習來玩遊戲的一個小演示。
Sethbling-Marl/O-Machine Learing for Video Games
這個小機器人有了自主學習的能力，甚至可以一次又一次地玩馬里奧遊戲，當時我就震驚了。在那之後，我看到了別的使用神經網絡的機器人，被用於各種不同的遊戲——
Ding Nicolas-A genetic algorithm learns how to fight!
從 Caryhk 傳統的機器學習項目
carykh-Neural Networks and Unwanted Pregnancies in Evolv.io!
到星際機器學習項目——
Youtube Uploaded-AI SC2 FirstSteps
有些人還做了關於侃爺 Rap 的 LSTM 項目
Rabboie Barrat-Neural Network Generated Rap, V2
還有Dota2的Open AI
Dota 2 Dendi vs OpenAI(Bot)-1v1-T17
sentdex 製作的 GTA
sentdex-Stream, FPV, and more dada-Python plays GTA P.15
我知道我必須要去學機器學習，這玩意兒簡直太酷了。
我安裝了TensorFlow，從syntax上下載了些代碼，但是完全不知道代碼裏是怎麼一回事，神經網絡的確成功地使用大量的數據集，訓練了模型，但我對代碼所做的每一次修改都會報錯，部分是因爲 Python的語法我之前完全沒接觸過，更爲重要的是，我完全不知道該怎麼寫神經網絡。
我先是快速Google了一下「怎樣寫一個神經網絡？」，我發現了一個由完全聽不同的數學和符號組成的龐然大物，對我而言看上去就像是外星語，那時我感覺到了強烈的挫敗感，但我不達目的誓不罷休。就在那時我接觸到了Coursera上吳恩達的機器學習課程，我的天，那個課程同樣也是外星語，我能夠完成前幾章課程完全沒有問題，但那之後，吳恩達又開始講外星語了。
我是如何堅持下去的
同志們，如果像我這樣開始機器學習旅程，毫無疑問你會碰到一次巨大的詞彙衝擊。相信我，你大多數的困惑是因爲無法理解提及的單詞所引起的。當我意識到這個之後，我改變了我學習方法，轉而去學習這個龐大的外星語。在我學習的過程中，有很多術語和符號會反覆出現：向量，矩陣，激活函數傳播，機器學習等等。我在「向量」這個概念上花了一段時間，感謝 unity3D，每當我覺得理解了機器學習中的一些概念，比如矩陣乘法，我都會回到我最喜歡的機器學習資源，去看看它們對於我來說，是不是變得容易理解了。我很驚訝突然之間，我能夠稍微更好地理解這門外星語了。
每當有概念毫無頭緒讓我止步不前，我都會把他們單獨拿出來，舉個例子，當我遇到sigmoid或者其他的激活函數，我就會列出一堆困擾我的問題，然後一個個單獨查找。
說到這，我非常推薦可汗學院.com。這裏有所有在你寫自己的機器學習算法所要用到的。我在這裏列出了一些你需要去學習的很重要的數學課供你參考，對我個人而言，幫助很大。
我個人很喜歡的學習資源：
Activation Functions - https://en.wikipedia.org/wiki/Activation_function
Luis Serrano's Neural Network Series (REALLY GOOD) - https://www.youtube.com/watch?v=UNmqTiOnRfg
Giant_Neural_Network's Neural Network Series (REALLY GOOD) - https://www.youtube.com/watch?v=ZzWaow1Rvho
Macheads101's Neural Network series - https://www.youtube.com/watch?v=OypPjvm4kiA
3Blue1Brown's Neural Network Series - https://www.youtube.com/watch?v=aircAruvnKk
Hugo's Neural Network Series - http://www.mooc.ai/course/300
James Mccaffrey Talk (A BIT OUTDATED INFORMATION BUT STILL A FUN ONE)- https://www.youtube.com/watch?v=-zT1Zi_ukSk
一些很重要的數學課
Vectors (explained with Linear Algebra): https://www.khanacademy.org/math/linear-algebra/vectors-and-spaces
Vectors (explained with PreCal): https://www.khanacademy.org/math/precalculus/vectors-precalc
Matrices: https://www.khanacademy.org/math/precalculus/precalc-matrices
Sequences: https://www.khanacademy.org/math/precalculus/seq-induction
Derivative Rules: hhttps://www.khanacademy.org/math/ap-calculus-bc/bc-derivative-rules
一些可能會幫助到你的數學課
Algebra Functions: https://www.khanacademy.org/math/algebra/algebra-functions
Quadratics: https://www.khanacademy.org/math/algebra/quadratics
Irrational: https://www.khanacademy.org/math/algebra/rational-and-irrational-numbers
Analyzing Categorical Data: https://www.khanacademy.org/math/statistics-probability/analyzing-categorical-data
我的建議
（1）更好地理解僞代碼
我覺得學習如何寫機器學習算法最好的方法，就是去更好地理解僞代碼。我們要理解如何去計算它們，還有各種不同的能夠相互轉換的指數。在我的經驗裏，大多數情況下，僞代碼是十分清晰的。但如果不是的話，可能是因爲在外星語中出現的太頻繁了。
學習怎樣將僞代碼轉換成你最喜歡的編程語言，其實是最重要的事。其實沒有一個一碼通吃的神經網絡，實際上當你從不同的老師那裏學習怎樣寫神經網絡的時候，請一定要注意，他們不會總是使用同樣數量的輸入，隱藏層節點，激活函數，可能連術語都不一樣，有些老師可能會把偏置說成另一個詞，這就是僞代碼如此重要的原因。
（2）前饋神經網絡例子
除了之前所說的我能給你最好的建議，就是用一個簡單的前饋神經網絡例子來開始你的學習，這有一個很好的例子——做一個文字顏色預測器，當你提供給它，紅，綠，藍值作爲輸入的時候，嘗試去訓練它作出，在此之上應該使用深色字還是淺色字，讓它能夠可以被認出來的預測。我覺得這是個很好的有很簡單的項目，值得認真研究以此來學習機器學習的基礎。
（3）立刻開始着手
建議你從最開始就着手寫你的神經網絡，我指的是你學習的第一天，就在這個視頻結束的時候，立刻打開你的IDE。紙上得來終覺淺，絕知此事要躬行。儘管理論上知道，如何寫神經網絡很酷，但實際去寫一個神經網絡是完全不同的。
當你開始去寫一個神經網絡的時候，你會卡住，然後你就有了第一個需要去找的問題，嘗試去解決它，如此往復，直到你成功。我特別希望，從最一開始我就知道這個建議，這可能會減少我大部分學習的時間。
（4）站在巨人的肩膀上
如果你真的想要能夠很好地寫出機器學習算法，你需要依靠他人的研究和代碼，因爲事實上這其實還是一個剛起步的領域，每週都會有新的東西誕生。
最後一個我想給你們的重要建議是，其實你也可以不像我之前說的那樣做，形象點來說，機器學習就好像電腦一樣。如果你真的想要一臺電腦，你可以從頭組裝一臺，或者你也可以直接買一臺整機，這兩件事最後的結果是一樣的。我個人想要去學習如何從頭構建神經網絡因爲，我是個控制慾很強的瘋子。
有很多諸如，TensorFlow，PyTorch，Theano，Keras，和其他的機器學習框架，他們就好像是一臺裝好的電腦，你可以直接開始看教程，開始學習怎樣去使用它們，你不需要關心很多，諸如導數，矩陣乘法，激活函數這些概念，這些機器學習框架已經把大多數複雜的事情做好了，不過顯而易見的，以此爲代價的就是，當網絡內部出現問題，或者運行不正確時，找出哪裏出現問題，會是件很困難的事，這都取決於你想要什麼
不管怎麼樣，請一定要記得滿足你的好奇心，在機器學習的道路上走得越來越遠。
視頻原址 https://www.youtube.com/watch?v=I74ymkoNTnw