|
最近几年，人工智能浪潮层层推进，对各大科技公司产生巨大影响。百度推出Apollo无人车计划，阿里建立达摩院，腾讯成立的AI Lab虽布局较晚却也不甘人后。China+AI已是大势所趋，吸引的不仅是大公司，更有许多人工智能的爱好者。曾经只存在于科幻小说或实验室中遥不可及的人工智能产品也逐渐成为老百姓日常生活的一部分。而支撑人工智能技术迅速发展的核心技术之一就是机器学习。 首先来看看在某招聘网站上，当前公司对机器学习人才有怎样的要求。 可以看到，对语言的掌握是其中尤其重要的基础条件。学好语言，就相当于走好了万里长征第一步。那么，在机器学习的起步阶段，我们需要会那种（些）酷炫的编程语言呢？ 1. 我需要学习哪些编程语言？ 不论你选择哪种语言，只要对这种语言下的机器学习库和工具足够熟悉，语言本身就没有那么重要了。现在对应各种语言的机器学习库层出不穷。根据你在公司中担任的角色和所要完成的任务不同，某些语言和工具可能会比其他的更好用。 R R 是一种为专统计计算而设计的语言。它在大规模的数据挖掘、可视化和报告方面已经取得了巨大的成功。你能够轻松地获取各种的包（通过 CRAN）来使用几乎所有的机器学习算法、统计测试和分析等。R 语言本身有着优美（虽然有些人会觉得晦涩）的语法用来表达数据的关系、变换和并行操作。 KDNuggets 最近组织了一次投票，结果表明 R 是 2015 年用于解决分析、挖掘及其他数据科学任务的最受欢迎的语言。不过，近年来 Python 的人气也在急剧上升。 MATLAB MATLAB 在学术界很受欢迎，因为它能处理复杂的数学表达式，对代数和微积分有强大的支持，还支持符号运算。同时，从数字信号处理到计算生物学，又或者是其他的科目，它都有对应的工具箱可用。它经常被用于开发新的机器学习算法的原型，有时也会被用于开发最终完整的工具。它的商用许可的确非常昂贵，但也对得起它在研发方面带来的方便。Octave 是一款免费的 MATLAB 替代品。它的语法与 MATLAB 几乎相同，但只提供一部分工具箱，IDE 也略微逊色。 Python 虽然 Python 是一种更通用的编程语言和脚本语言，但它在数据科学家和机器学习工程师中的人气也是急剧上升。跟 R 和 MATLAB 不同，它并没有内置数据处理和科学计算专用的语法，但它有像 NumPy、SciPy 和 Pandas 这样的库用更友好的语法提供了同样的功能。 像 scikit-learn、Theano 和 TensorFlow 这样的机器学习库让你能够方便地训练各种机器学习模型，还能用上分布式计算。当然，这些库中最影响性能的部分一般还是用 C/C++ 甚至 Fortan编写的，而 Python 包则是作为它们的接口（这在 R 中也很常见）。 但 Python 最大的优势在于它的生态系统使得你能够很方便地搭建起一个复杂的端到端服务，比如用 Django 或是 Flask 搭建 Web 应用，或是用 PyQt 开发桌面应用，甚至用 ROS 搭建一个自主机器人。 Java 由于它干净一致的实现、面向对象编程的风格以及通过 JVM 获得的平台独立性，Java 是很多软件工程师的首选语言。它以简洁性和灵活性为代价换取了明确性和可靠性，使它在实现重要的企业软件系统时非常受欢迎。对于那些一直使用 Java 的公司，当他们需要开发机器学习产品时，为了保持同样的可靠性和避免写一堆混乱的接口，他们可能更倾向于继续使用 Java。 除了一些可以用来做分析和原型开发的库和工具（比如 Weka）以外，要用 Java 开发大规模分布式的机器学习系统，我们有很多选择，比如 Spark+MLlib、Mahout、H2O 以及 Deeplearning4j。这些库和框架也很方便跟工业级别的数据处理和存储系统比如Hadoop/HDFS 整合在一起。 C/C++ 在开发像操作系统组件和网络协议这样计算性能和内存使用效率极为重要的底层软件时，C/C++ 是最理想的选择。由于同样的原因，它们在实现机器学习算法的关键部分时也很受欢迎。但是它们没有内建的关于数据处理操作的抽象，内存管理的任务也很繁重，这使得它们对新手来说不太合适，而且在开发完整的端到端系统时也比较笨重。 在开发嵌入式系统（比如智能汽车、智能传感器等），可能必须使用 C/C++。而在其他场景下，用它们进行开发的便利程度可能要视现有的基础设施和具体的应用而定。不过无论如何，我们并不缺少 C/C++ 的机器学习库，比如 LibSVM、Shark 和 mlpack。 企业级解决方案 在这些语言和库以外，还有很多统计建模和商业分析的商用产品，用于在更为受控的数据处理环境下应用机器学习模型。这些产品，包括 RapidMiner、IBM SPSS、SAS+JMP 和 Stata 等，它们的目标是为数据分析提供可靠和端到端的解决方案，通常也会将 API 或是脚本语法暴露给用户。 近年来还涌现出了一批“机器学习即服务”平台，比如 Amazon Machine Learning、Google Prediction、DataRobot、IBM Watson 和 Microsoft Azure Machine Learning 等。它们使你能够拓展你的机器学习产品的规模，处理巨量的数据以及快速地对不同的模型进行试验。只要你在机器学习领域打好了坚实的基础，使用这些平台就像学习使用一门新工具一样简单。 特别提示 选择语言和库时要注意考虑开发时间和实际性能之间的平衡。一条能够飞速处理数据的流水线如果需要几个月来开发，在有些情况下这可能就毫无用处。一般来说，能够快速地搭建和测试原型会更重要，因为一开始你肯定会失败。 这也是为什么大部分公司都想寻找那种已经有惯用的工具 / 语言 / 库的机器学习工程师。工业界往往会用 Python 和 R 这样的高层次语言来开发算法的原型，然后用 Java 或是 C/C++ 来开发生产级别的解决方案。 2. 导师的力量 在学习语言的过程中，会遭遇众多关于数据结构，递归，面向对象的难题。这个时候，一个有经验导师提供的专业意见将会迅速给你胶着的思路注入一股清泉，帮助你平稳打好语言基础。 Udacity是由谷歌无人车之父、斯坦福大学终身教授，原谷歌副总裁、Google X 实验室联合创始人 Sebastian Thrun创立的一家盈利性教育平台，提供大规模开放式在线课程。【机器学习】纳米学位由硅谷明星导师领衔主讲，给课程进行中遇到问题的学员提供专业指导。 3. 我能在课程里得到什么？ 独家课程内容，项目直播辅导 除了学习来自硅谷领先企业的课程视频、实战项目，与项目直播讲解！还有更多 Udacity 独家学习资料，等待你来探索。 加入同步学习小组，在导师帮助下快速成长 你将加入学习小组，认识志同道合的伙伴，在专业导师全方位辅导和监督下，用最高效率掌握前沿技术，成为抢手人才。 独一无二的硅谷实战项目和代码审阅 亲自挑战来自硅谷的数据分析开发实战项目，获得该领域专家的逐行代码审阅和反馈，学习最先进的技术标准，与硅谷编程开发者的思维同步！ 获得 Udacity纳米学位证书 毕业后，你将获得 Udacity 颁发的毕业证书，证明你的专业知识和技术水平。当你完成机器学习（入门）纳米学位所有项目之后，你将拥有娴熟的 Python 中级编程能力与基本的数据分析能力，并为继续深造机器学习（进阶）纳米学位打下坚实基础，有能力迅速掌握后续的机器学习与人工智能技术。 课程内容 （上下滑动查看内容） Python 语法与数据结构 在这个部分，你将了解 Python 的整数和字符串数据类型，学会使用变量存储数据，掌握使用内置的函数和方法。你将会学习条件语句，循环语句完成复杂的统计。同时你将学会使用集合数据类型，包括列表、集合和字典等多种数据结构。 Python 文件与网络 你会使用 Python 标准库和第三方库中的模块，认识 Python 强大的库。并学会读取磁盘上的文件中的数据，使用在线资源解决实际问题。最后你将练习编写一个网络抓取程序来跟踪维基百科文章之间的链接。 数据分析入门 学习使用 Python 了解数据分析流程的主要步骤，运用 Python 和 Pandas 处理多个数据集；并通过两个数据分析实战案例，学习使用 Python、Numpy 和 Pandas 进行数据清洗、探索、分析和可视化; 线性代数基础 线性代数是深度神经网络的基础。在这一部分中，你将从0基础开始学习线性代数中的向量以及交点知识以及实现向量的基本操作。 模型的评估与验证 模型的评价指标是深度学习建模过程中非常重要的一环。在这一部分中，你将学习如何衡量深度学习模型以及其他机器学习模型好坏。 你将挑战的实战项目 （上下滑动查看内容） 1. 分析电话和短信记录 在这个项目中，你将会挑战一个数据分析的任务。你会应用你在课程中学到的数据结构，字符串处理，循环等技巧，从电话和短信记录的数据中发现一些端倪。 2. 探索美国共享单车数据 你需要借助Python完成对美国 3 个城市的共享单车行程数据的数据分析。你将编写代码来清理数据，计算描述性统计数据，并实现数据分布的基本可视化。 3. 数据分析入门 学习使用 Python 了解数据分析流程的主要步骤，运用 Python 和 Pandas 处理多个数据集；并通过两个数据分析实战案例，学习使用 Python、Numpy 和 Pandas 进行数据清洗、探索、分析和可视化； 4. 线性代数 通过代码实现一个矩阵求逆，更深刻的理解线性代数的本质。 5. 预测未来房价 运用机器学习原理与基础统计分析工具针对房地产数据建立一个模型、评估模型的表现好坏并利用这个模型预测未来房价。 |
|
|
来自： 2017helloworld > 《学术性》
