|
|
crybld
| 未知
这么来比喻吧，如果把大数据比作燃料，那么人工智能就是燃油机了。
不同功率的燃油机的发力不同，好的算法就是大功率的燃油机，有更快的速度和机动性。而做数据的人肯定知道，如果（大）数据足够纯粹，冗余少，那么这个数据分析起来解释性强且具有说服力。
在大数据领域和人工智能领域中，其实是互相交错的，很难说互不涉及，特别是现在这个动不动就“大”数据的时代，数据量大和AI已经成为标配，所以说转行还不如进一步学习人工智能部分知识。
至于如何学习人工智能，我这里有一份可供参考的指南。如果你想把机器学习更灵活的应用于日常工作，学习一些基础理论还是很有好处的，而且你并不需要完全弄懂。下面有几个学习机器学习理论的理由。
（1）规划和数据采集
数据采集真是一个昂贵和耗时的过程！那么我需要采集哪些类型的数据？根据模型的不同，我需要多少数据？这个挑战是否可行？
（2）数据假设和预处理
不同的算法对数据输入有不同的假设，那我应该如何预处理我的数据？我应该正则化吗？假如我的模型缺少一些数据，它还稳定吗？离群值如何处理？
（3）解释模型结果
简单的认为机器学习是一个“黑盒子”的概念是错误的。是的，并不是所有的结果都直接可以解释，但你需要诊断自己的模型然后改善它们。我要如何评估模型是过拟合还是欠拟合？我要向业务利益相关者如何解释这些结果？以及模型还有多少的改善空间？
（4）改进和调整模型
你的第一次训练很少会达到最佳模式，你需要了解不同的调参和正则化方法的细微差别。如果我的模型是过拟合了，我该如何补救？我应该花更多时间在特征工程上，还是数据采集上？我可以组合我的模型吗？
（5）驱动商业价值
机器学习从来不会在真空中完成。如果你不了解武器库中的工具，就无法最大化发挥它们的效能。在这么多结果指标中，哪些是优化的参考指标？哪个更为重要？或者还有其他的算法会表现更好吗？
带着这些问题，参考以下教材，你就可以很轻松地入门人工智能。
《深度学习》
http://download.csdn.net/download/zx2fzx2f/10024228
《机器学习》（周志华 著）
http://download.csdn.net/download/cser04/400323
《Spark机器学习》
http://download.csdn.net/download/yang198907/9838919
如果你对学习人工智能和深度学习感兴趣，可以订阅我的头条号，我会在这里发布所有与算法、机器学习以及深度学习有关的有趣文章。 |
|
用Deepseek满血版问问看
