本文目录
- 学习机器学习会有哪些弯路
- 该如何零基础接触“机器学习”
- 机器学习之前需要哪些基础科目的学习呢
- 用“机器学习”做“股票预测”能做到什么程度，靠谱吗
- 机器学习究竟在学习什么
- 精通机器学习可以做哪些酷炫的事
- 机器学习的“学习力”体现在什么地方
- 那些书新手学机器学习公式少但又有理论讲解，也有少量代码实践
- 自学机器学习如何入手
学习机器学习会有哪些弯路
机器学习目前不仅是计算机大类专业研究生必须掌握的重点内容，很多本科生也需要掌握一定的机器学习知识，如果说编程语言是打开计算机技术大门的钥匙，那么机器学习则是打开大数据、人工智能技术大门的钥匙。
不论是初学者还是资深的科研工作者，在机器学习这条不归路上都会或多或少走一些弯路，只是结果会有区别。
这些年来我一直在给研一的同学讲机器学习这门课程，总结一下大家学习机器学习的弯路，基本上有三种情况。
其一是重理论轻实践。这是很多初学者同学会犯的错误，虽然对于科研工作者来说，没有必要实现一些机器学习算法，因为没有必要自己做轮子，这一点我在之前的文章中已经有了一定的描述，但是对于初学者来说，学习机器学习就应该先从机器学习的经典流程开始。
其二是脱离场景。机器学习本身的应用与场景具有紧密的联系，如果脱离场景来探讨和学习机器学习本身就存在问题，而这正是很多初学者会犯的错误。
当前机器学习的内卷一个重要的原因就是模型本身已经不能为业务提供快速增长，很多技术从业者开始从业务创新转向理论创新，包括一些在大厂的同学，已经开始脱离场景做创新了，这本身就是一种自欺欺人的做法。
其三是过于相信一些文章的结果。很多资深的技术专家在使用文献成果之前，一定会做复现，复现成功之后，再完成与行业场景相结合，这个过程往往需要做一些取舍，比如为了速度而牺牲效果，这是比较常见的。
现在不少文献都存在一定问题，这个问题就是复现的结果与文章当中的结果存在差异，这一点在机器学习领域更突出一些，所以一定要重视复现。
实际上，现在组里的同学在复现成功并发现确实“有用”之后，通常都会很兴奋。
最后，如果有机器学习方面的学习和科研相关问题，欢迎与我交流。
该如何零基础接触“机器学习”
谢邀。本身自己对机器学习不怎么感冒。说下自己的理解。机器学习的话。不知道是不是对于现在的AI有所关联。这个不太清楚。但是的话，自我认为所谓物联网、AI的概念还会有一定的关系。作为一个想从事这块行业的话，要有一定的基础，或者自己想往这方面发展，自身的兴趣所在。只是靠一腔热血走不远。还是看自己。培训班的话，只是起步，后续还是在于自己。不要妄想着通过所谓的一次两次的培训，然后自己就可以了，那只是刚刚起步而已。 TIPS：继续具备一个不参杂其他东西的心。只是技术而已。保持初心，后续慢慢的都有了。这是一个持久的过程，保持初心，热爱...
机器学习之前需要哪些基础科目的学习呢
知识点：
1）特征工程
了解什么是人工智能、机器学习、深度学习以及特征工程
2）监督学习分类算法
熟悉监督学习分类算法、Scikit-learn使用
3）模型选择与调优
可用数据集、模型的选择与调优
4）数据与多因子模型
多因子模型应用
5）量化交易策略
量化交易概念与相关的策略
6）回测框架
了解回测框架
7）量化交易平台实战
关于量化交易平台实战的项目
用“机器学习”做“股票预测”能做到什么程度，靠谱吗
智能炒股到底靠不靠谱？镁客君想说，智能，那肯定是靠谱的，但是炒股这件事本身就不一定靠谱啊，所以大家也不要把问题想得太简单了，智能炒股还是要通过自己谨慎思考再作出判断的。
我们先来看看智能炒股的大概原理。炒股的朋友应该都知道，每天都有大量的财经讯息要自己快速分辨，久而久之精力真的跟不上，这时候人工智能的优势就显现出来了，他们可以在海量信息中进行筛选和分析，最快最准的把精华呈现给你，大大避免了时间和精力的浪费。
除了财经讯息，K线图这种股票衍生出来的学问也可以通过人工智能来掌握，这些都是人工智能应用在股票领域的发展方向，说白了就是数据挖掘、概率、推理等原理基础。
但是人工智能的短板也是显而易见的，之前AlphaGo完胜围棋大师，人类开始质疑自己下了几千年的围棋是不是都白研究了，不过要是搬出我们的大A股，那必须是分分钟教阿尔法狗怎么做人啊！
原因很简单，围棋，是有固定性原理的，也就是有某种规则和标准的，万变不离其宗，虽然有千万种策略包含在内，但总是有个极限值的，人脑自己达不到这种运算能力，但是经过人为的规则赋予，可以让人工智能在短时间内瞬间达到。
可股市就太复杂了，没人能掌握股市波动的规律，因为博弈规则一直都在变，人为因素相当多，心态、经验、运气等等，虽然也有很多炒股高手通过数据分析摸索出了自己的策略，但是股市很大程度还是取决于企业本身运行状况，政策方面的影响等，而这一块，是人工智能怎么也不可能自主掌握的，除非人类制定标准赋予它，但是关键问题在于，如果真能有什么标准，那就不是股市了！
所以总结下来，智能炒股只是相当于数据分析方向上的加强，起到一个助手作用，但是最后还要结合炒股人自己的判断比较稳妥，因为股市并不是完全数据说了算！
更多优质回答，请持续关注镁客网头条号~
机器学习究竟在学习什么
我们应该还记得那个叫“阿尔法狗”的家伙。天下棋谱，了然于心，勤学苦练，精进棋艺，前年他以4-1打败世界冠军李世石，从此独孤求败。
去年他的师弟，同样出自谷歌Deepmind的阿尔法元（Alpha Zero），出山了。此货一篇棋谱也没读过，也没受到过任何人的指点。一副棋盘，黑白两子，从零开始，自参自悟，他与师兄阿尔法狗交手，100-0，完胜而归。
按照Deepmind开发团队的说法，阿法元不仅战胜了此前开发过的所有版本的阿法狗，且首次实现了完全脱离人类的自我学习。这是一种“恐怖”级别的机器学习能力。
我们都已经读书学习十几年了，不禁要问：“机器学习”到底学了什么？怎么学的？
通俗的讲，机器学习就是学习一种专门的识别能力（或预测能力）。
“识别能力”又是什么意思呢？
那举个例子吧，有这种学习能力的软件，在看了很多张猫咪和其它的照片后，如果再看到一张照片，就能识别出这张照片是否是猫咪照片。（训练出一个能识别是否为猫咪照片的分类器。）
为什么还要特意说“专有”呢？
因为上边那个例子中学习到的能力，只能用来识别猫咪，不能用来识别其它动物。如果需要狗狗照片的识别能力，需要再次专门训练。如果要同时能够识别狗狗和猫咪，需要把猫咪、狗狗和其它照片归类后给那个软件看才行。（分类器是针对特定问题的，不存在通用分类器。）
就好比要从一堆松饼中辨认出哪个是吉娃娃
怎么又提到“归类”呢？
就是说，给照片先要按照片内容人工归为三类：猫咪照片、狗狗照片、其它照片，给软件每看其中一张照片的同时，要告诉它：这是一张猫咪（或狗狗、其它）的照片。软件看的多了，就知道猫咪类照片、狗狗类照片和其它类照片的差别。（分类器训练时，需要使用已经归类的带标签的数据，所谓有监督的学习。）
学习的过程，通俗的说，就是见得多了自然识货。
能说的再具体一点吗？
整个过程可以分为两个阶段：多见的学习阶段，和 识货的应用阶段。学习阶段要看很多已经归类的照片，总结出一些规律，比如“猫咪的耳朵都是尖的、脸是圆的；狗狗的耳朵都是耷拉的、脸是长的，嘴是突出的”。总结出的规律，还有一个高大上的名词“模型”。在应用阶段，就是运用这个规律（模型），比如看到一个照片中的动物，耳朵都是尖的、脸是圆的，就识别出这是一只猫咪。以下是这个过程的示意图。
图中“特征提取”又是个什么意思呢？
还是继续上边的例子来说明吧。看到了一张猫咪或狗狗的照片，照片的数字化表示是一长串0和1的数字，按图片约定的格式，这些数字会表示照片中哪个位置（像素）上是什么颜色。这些最原始的像素信息，和照片承载的“猫咪照片”这个信息，中间跨度很大，所以原始的像素信息需要被提炼为一些概要信息（特征），比如，色块的分布、纹理、轮廓等。提炼这些概要信息--特征的过程，就是所谓的特征提取。
“特征”有什么用呢？
训练学习的过程，就是把提取获得的特征和类别建立联系的过程，获得特征与类别对应关系的规律（模型）。在应用阶段，也是先要对被识别的照片做同样的提炼处理，产生特征信息，然后用学习获得的规律做推测得出所属类别的结论。
“特征提取”看来是很重要又很麻烦的事啊。 确实如此。在机器学习中，设计和提取好的特征是很重要的工作环节，围绕这个问题有“特征工程”这么个方向，并发展出特征学习，以及深度学习。
说了这么多，你懂了么？
机器学习正在进步，我们似乎正在不断接近我们心中的人工智能目标。语音识别、图像检测、机器翻译、风格迁移等技术已经在我们的实际生活中开始得到了应用，但机器学习的发展仍还在继续，甚至被认为有可能彻底改变人类文明的发展方向乃至人类自身，而我们需要做的就是不断学习，掌握这门新的技术，创造更多不可思议。
精通机器学习可以做哪些酷炫的事
精通机器学习可以做挺多酷炫的事情 比如：
一个游戏爱好者，可以自己尝试写一个“自动/自助”游戏助手，帮自己自动玩游戏做一些日常任务。
一个单身狗，可以尝试给自己做一个“虚拟/未来”的女朋友，陪自己聊聊天，对对话（前提是得先有一些模拟的音视频文件，供学习）。
一个金融领域的从业者可以尝试做一个智能盯盘或者比较高级的智能投资的助手。
一个类似本人数据方向的工作者/爱好者，可以尝试让他做一些自动的简单的数据分析，自动语音，数字新闻。
对图像图片识别感兴趣，可以让她做一些人脸识别的东西，通过人脸打卡，签到。
其它行业领域还有挺多挺多的，只要有想法，勤动手，多实践一定能做出一些好玩的，有用有价值的东西。
比方：聊远一点，如果能接入一些可穿戴设备，可以尝试让机器帮做一些身体的“异常”的预警诊断，都有可能。
机器学习的“学习力”体现在什么地方
机器学习的基础是神经网络，神经网络是通过不断的监督训练和强化学习方式训练出来的。这些特征和人类的学习有些像。在一些简单的学习，例如图片识别和语音识别上，学习能力要高于人类。但是在学习拓展上，机器学习还是拓展能力比较差，例如机器学习了数学，它却很难学会物理。而人类却可以在数学学好的基础上及时应用在物理学上，我们会用数学导数的求值在线性速度波折图上取点求加速度。但机器学习还远未到这种水平。当然，随着神经网络的学习方法发展，会越来越趋向于人类的学习方式，计算机神经网络的连接会和生物神经网络的连接更相像。因为人类的计算技术越来越快，数据关联性更密切。
那些书新手学机器学习公式少但又有理论讲解，也有少量代码实践
搞机器学习，个人觉得代码能力和数学能力都不能少。代码能力可以从python基础开始，算法方面可以从吴恩达视频基础开始，看书的话可以拿来参考，没必要从头啃到尾。这两方面基础打好了，后面学习才可以更快更高效，无论是算法实现和验证，还是框架工具包的学习与应用🙃🙂
自学机器学习如何入手
首先要学好数学，太重要了，要是想深入学理论，数学贯穿始终，高数，线代概率论自不必说，矩阵论，随机过程，拓扑学，凸优化，数理统计，图论等都要有基础。
然后当然是基础理论，算法，信息论，数据结构，最优化，贝叶斯是重中之重，可以说这些学的深度决定了你理论学习的高度。
必须要至少精通一门开发语言啊，现在都在学Python，但是R也不错啊，做大数据当然要学hadoop，这是你理论与应用的桥梁。
接下来就是真正的机器学习，knn，决策树，cnn，dnn等随便一个就能拿来做博士的开题报告，挑个自己感兴趣的就学吧，一年以后你会回来再问的。
