如何从Python起步学习AI

2017 年 11 月 28 日 七月在线实验室

视频

视频一共分为两部分：第一部分（前28分钟）讲人工智能背景及知识层面的内容，第二部分（28分钟到结束）讲述 AI 学习规划路径。

人工智能的发展背景

人工智能是门交叉学科，它通过对数据的处理，不断地变得更好和更强，做出各种各样的判断和决策。

人工智能早在从 1956 年提出概念以来经历了漫长的发展历程，中间有两次高峰，两次低谷，现在是第三次高峰，而带来发展起伏的是机器学习算法的变迁。第三次高峰开始的标志是 2006 年的时候，机器学习算法中的神经网络方向出现了一个突破，多伦多大学教授 Geoffrey Hinton 提出了“深度学习”的概念。

人工智能发展路径

人工智能(AI)是人类所能想象的科技界最突破性的发明了，某种意义上来说，人工智能就像游戏最终幻想的名字一样，是人类对于科技界的最终梦想。

那我们期待的AI是什么呢？期待它能替代人。机器代替人的重要标准是什么？就是比人更好。很遗憾，前两次的浪潮，计算机只是证明它比人算的快，它没有证明它比人算的准。

第三次浪潮上的人工智能有了改变。拿简历分类来说，一般 HR 人工分类的准确程度大概是 85%，之前用 SVM( Support Vector Machine，支持向量机) 做准确率是 60% 多，还是不如人的。而现在用深度学习算法，准确率可以超过 90%，比人要准确的多，而且速度是人的 N 倍。

观看一下身边的改变：当我们打开支付宝时，机器学习会给我们做面部识别；当我们浏览电商网站时，机器学习算法预测我们对哪种商品更感兴趣，然后显示给我们；当我们打开今日头条时，机器学习算法根据我们的浏览习惯给我们推荐可能感兴趣的新闻。可以说，机器学习早已渗入我们生活的方方面面。

机器学习是什么

机器学习的理解：首先我们来看一下人类的学习，人类的学习是一个人根据自己的经验，对一类问题形成认知或者总结出某些规律，然后用这些认知和规律来解决类似问题的过程。

但人的记忆很容易忘记，而且所有的知识要从头开始学，这是硬伤。但机器没有这个问题，复制粘贴马上就有了两份知识，而且除非硬盘损坏，否则不会丢失。所以我们就希望,如果机器也能从知识里发现规律，并能自己学习，那就太好了。

经过计算机科学家的不断努力，终于成功地发明了一些算法，使得计算机可以从现有的数据中学习到规律，并且可以随着输入的数据数量增长而提升学习效果，这就是机器学习。通俗地讲：机器学习是一种计算机程序，可以从现有的经验中学习如何完成某项任务，并且随着经验的增加，性能也随之提升。

因此，经验，也就是专业人士说的“数据”，对于机器学习来说，就是最重要的。就像火箭要起飞需要燃料，人要变得有智慧需要阅历一样，机器学习需要海量的数据。

AlphaGo 打败李世石不是因为它聪明，而是因为它通过自己和自己下棋的方式，已经相当于下了一万年以上的棋，和一个只下了几十年的人比，自然是有着不可比拟的优势，它打败李世石依靠的是无可比拟的经验。

人工智能、机器学习、深度学习的关系

网上有一张图，很有意思，生动的表明了不同的人对机器学习的理解：

机器学习是实现人工智能的一种方法，机器学习有很多的细分领域，其中有一个领域是人工神经网络，而深度学习是人工神经网络这个领域的一个分支。

AI学习路径规划

“数据科学家比程序员擅长统计学，比统计学家擅长编程。”很多零基础的同学，还有有软件开发经验的同学希望转型成为数据科学家，但是他们直接上手sklearn 或 TensorFlow 等高级机器学习框架去处理数据，而没有全面理解其背后的统计学理论知识。这样学习路线是不科学的，他们需要系统的人工智能学习路径。

人工智能领域是一门交叉学科，脱胎于统计学和泛函分析，并结合了信息论、最优化理论和线性代数等多门学科。这也是七月在线创立AI学习路径的目标，即帮助大家建立一个科学，高效的AI学习路径，避免大家盲目地去跨阶段学习而浪费大量的时间和精力，该路径能指引同学们在数据科学的路径上更有效率的前进。