前几天有个读者给我发消息,说他想学人工智能,结果打开教程看了不到十分钟就关掉了。我问他为啥,他说满屏的概念,什么神经网络、梯度下降、监督学习,每个字都认识,连在一起就不知道在说什么了。说实话,这种情况我见得太多了,我自己当初也是这么过来的。
所以今天咱们不聊那些虚的,就说说一个纯新手想入门人工智能,到底该从哪几个基础概念啃起,顺序怎么排,每个概念大概要花多久能摸到门道。我尽量说人话,说不明白的地方你就当我在自言自语。
这步很多人跳过,直接去啃公式,结果啃了两周就放弃了。我的建议是先花半天时间想明白一件事:你学人工智能是为了解决什么问题?是想做个能自动分类图片的小工具,还是想理解新闻里说的那些技术到底怎么回事,还是纯粹想转行找个相关工作。目标不一样,你要啃的概念深度完全不同。比如你只是想做点小应用,那很多底层数学推导你暂时可以跳过,先把工具用起来再说。
第一样,一台能上网的电脑,配置不用太高,我2019年买的轻薄本照样跑得动入门练习。第二样,一个能记笔记的工具,纸笔也行,我自己用的是手机备忘录,想到什么随手记。第三样,也是最重要的,每天能挤出四十分钟不被打扰的时间。别小看这四十分钟,连续坚持三周,比你周末突击八小时管用得多。
第一个要弄明白的是数据、特征和标签这三个词。说白了,数据就是你要处理的原材料,特征是这个原材料里用来做判断的线索,标签是你想预测的那个答案。举个例子,你想让机器判断一封邮件是不是垃圾邮件,邮件内容就是数据,里面出现的某些词是特征,这封邮件到底是不是垃圾就是标签。这三个词搞清楚了,后面很多概念才有落脚点。
第二个是监督学习和无监督学习的区别。这个用一句话就能说明白:有人告诉你答案让你照着学,叫监督学习;没人告诉你答案,你自己从一堆东西里找规律,叫无监督学习。我当初在这卡了挺久,后来想通了, supervised 和 unsupervised 这俩词本身不重要,重要的是你得知道啥时候用哪种思路。比如你要预测房价,历史数据里有成交价,这就是监督学习;你要把用户分成几类做推荐,没人告诉你该分几类,这就是无监督学习。
提示:概念不用一次全记住。我建议每个概念先混个脸熟,知道它大概解决什么问题,等后面实操时自然就理解了。死磕定义反而容易劝退。
第三个是模型和训练。模型你可以理解成一个还没调好的公式,训练就是拿数据去调这个公式里的参数,让它越来越准。这个过程有点像调收音机的旋钮,你得反复拧才能找到最清晰的频道。训练这个词听着高级,其实就是反复试错。
第四个是过拟合。这概念特别重要,但很多教程放得太靠后。过拟合就是模型把训练数据背得太熟,换一批新数据就傻眼了。我见过不少新手,训练时准确率很高,一测试就拉胯,就是因为过拟合。你只要记住一句话:模型不是越复杂越好,能举一反三才是好模型。
概念混了个脸熟之后,找个现成的入门练习跟着做一遍。不用自己从零写代码,很多平台都有现成的项目,你跟着跑通就行。我第一次跑通一个简单的图像分类项目时,虽然代码一行都看不懂,但看到程序真的能把猫和狗的图片分开,那种感觉挺上头的。这一步的目的不是让你学会写代码,而是让你把前面那几个概念和实际跑起来的东西对上号。
看你什么目标。只想把工具用起来做点小东西,基础数学够用就行,遇到不懂的公式先跳过,回头再补。真想深入底层原理,那线性代数和概率得花时间啃。我自己高等数学也挂过科,现在不也在这瞎聊嘛。
写到这我得承认,这个方法也不是每次都灵。上个月我推荐给一个朋友,他照做了两周跟我说还是云里雾里。后来我发现他每天花两小时看视频教程,但一次没动手跑过东西。所以你看,光看不练,概念永远飘在半空中。你要是也遇到这情况,别急着怀疑自己,先把练习跑起来再说。你现在卡在哪个概念上了?