本文为数据茶水间群友原创，经授权在本公众号发表。
0x00 前言
大数据、处理器等技术的成熟，将已经有60多年历史的“人工智能”推向了舞台中心。随着机器学习、深度学习等概念的火热，很多同学也摩拳擦掌，准备在人工智能这一“弯道”进行超车。
但是也有很多同学在打开这人工智能的大门时，发现里面充斥了大量的数学公式、推导过程等早已归还给大学老师的知识。在头晕眼花的同时无奈地又把门关上了。
居士发起的“学习小组”的初衷正是希望组织大家成体系地对统计学知识进行温习、掌握常用算法模型并提高相应的工程能力。本文作为“学习小组”的第一篇入门向的输出内容，主要讲一下机器学习以及深度学习的概念，并引出sklearn和tensorflow这两个在领域中举足轻重的学习库对其进行简单的科普介绍。
0x01 ML/DL简介
机器学习
相信“机器学习”这个词，这两年大家已经听烦了，这里就简单介绍一下定义：
一个程序要完成任务(T)，如果程序获取关于T的经验(E)越多则表现的越好，那么就可以说程序学习了关于T的经验。
简单地说：传统的编程方式是人类自己积累经验，并将这些经验转换为规则或者数学公式，然后用不同的编程语言去描述这些规则和公式。而机器学习则只需要人订制学习步骤，将大量的数据输入给计算机，计算机则可以根据数据和学习步骤自己总结经验，自动升级，借助计算机的计算性能，接近甚至超越人类自身水平。
机器学习的方法包括：
- 监督学习 supervised learning;
- 非监督学习 unsupervised learning;
- 半监督学习 semi-supervised learning;
- 强化学习 reinforcement learning;
- 遗传算法 genetic algorithm.
（以上相关概念不在本文重点范围内）
特征工程
为什么要在“机器学习”和“深度学习”之间夹着“特征工程”这一概念的，因为特征工程是机器学习，甚至是深度学习中最为重要的一部分，也是最难讲的一部分。因为特征工程往往与具体的数据相结合，是要撸起袖子动手干的实战技巧，因此很难系统地讲清楚。本部分向大家介绍基本概念，方便大家后续阅读。
在kaggle中有一句经典的话：
数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。
数据里面提取出来的特征好坏与否直接影响模型的效果。从某些层面上来说，所使用的特征越好，得到的效果就会越好。
要了解特征工程，首先要知道什么是特征
特征（feature），是反映对象在某方面的表现或性质的事项，也可以被称作属性（attribute）。比如我们在描述一个人外表时，“身高”、“体重”、“发型”、“肤色”等就是特征，那么与之对应的“偏高”、“偏瘦”、“短发”、“较白”就是特征值。这四个特征值组成一行，就是所谓的特征向量。n条特征向量组成的一个矩阵，就是所谓的数据集。
特征值1 | 特征值2 | 特征值3 | 特征值4 | |
|---|---|---|---|---|
特征向量1 | 偏高 | 中等 | 短发 | 较白 |
特征向量2 | 中等 | 偏胖 | 光头 | 较黑 |
特征向量3 | 偏矮 | 偏瘦 | 长发 | 较白 |
那么什么是特征工程呢？
现在根据上面的样本数据，用逻辑回归方法设计一个身材分类器。
首先我们要对数据进行判断：“发型”和“负责”这两个特征值对身材分类有帮助么？很明显，没有，甚至如果我们提取了某些冗余特征（不发散、不相关），还会降低模型的性能。那么我们就需要选择符合我们要求的特征，这就是特征选择。
那么接下来，我们选择了身高和体重两个特征值。那么输入数据X:身高和体重 ，标签为Y:身材等级（胖，不胖）。
需要注意，我们不能单纯的根据体重来判断一个人胖不胖，02年NBA选秀时的姚明，重吗？重！胖吗？显然不是。
那么针对这个问题，一个非常经典的特征工程是，BMI指数，BMI=体重/(身高^2)。这样，通过BMI指数，就能帮助我们刻画一个人身材如何。甚至，你可以抛弃原始的体重和身高数据。
所以说，特征工程就是通过X，创造新的X’。基本的操作包括，衍生（扩充维度），筛选（降低维度）。说起来简单，实际上在真正的AI项目中，扩维和降维都是困难重重，需要非常专业的知识和丰富的经验。
特征工程的一般步骤如下：
- 确定任务：根据实际业务确定需要解决的问题
- 数据选择：整合数据
- 预处理：涉及数据清洗等一系列操作
- 构造特征：将数据转换为有效的特征，常用归一化、标准化、特征离散处理等方法
- 模型使用：计算模型在该特征上的准确率
- 上线效果：通过在线测试来判断特征是否有效
- 进行迭代
总之，除去语音和图像等特定场景，对于大部分生活中的机器学习项目，由于没有足够的训练数据支撑，我们还无法完全信任算法自动生成的特征，因而基于人工经验的特征工程依然是目前的主流。这就需要建模人员对实际业务有较深的理解和把控。
深度学习
首先要明确一下机器学习和深度学习的关系：深度学习是机器学习的一个子集。
对机器学习来说，特征提取并不简单。特征工程往往需要人工投入大量时间去研究和调整，就好像原本应该机器解决的问题，却需要人一直在旁边搀扶。
深度学习便是解决特征提取问题的一个机器学习分支。作为一种强大的自动化特征工程工具，能够自动学习各种低级和高级的特征。它可以自动提取数据的内在特征，并学习特征和任务之间的关联，还能从简单特征中提取复杂的特征。
要理解深度学习，不得不提的一个概念就是神经网络，实际上，深度学习就是多层神经网络的训练过程。
神经网络
神经网络简单点将就是由好多个神经元组成的系统。
人之所以能够进行思考，是因为人体的生物神经网络。外部刺激通过神经末梢传到神经元，无数个神经元构成了神经中枢，神经中枢综合各种信号，做成判断，从而对外部刺激做出反应。
从生物神经网络获得灵感，提出了人工神经网络，人工神经元模型就是我们所说的“感知机（perceptron）”。
上图的圆圈就代表一个感知机，接收多个输入信号，乘以权重并求和，并与阈值做判断，最后产生一个输出信号。就这样，单个感知机就构成了一个简单的决策模型。
但是在真实世界中，要处理的问题复杂得多，不是一个简单的据测模型就可以判断的。我们可以组成多层神经网络。多层神经网络分为：输入层（inputs）、隐藏层（可能有一层或多层）、和输出层（output），其中由于输入层未做任何变换，可以不看做单独的一层。
输入层将信号传递到到隐藏层中的底层神经元，底层神经元的输出是高层神经元的输入，直到最后得到结果。
实际中，输入层的每个神经元代表了一个特征，输出层个数代表了分类标签的个数。而每个隐藏层就是对上一层的输出值进行一次“转换”，也就是加权求和与非线性变换的过程。神经网络就是通过将神经元（线性分类器）进行组合叠加，通过不断调整误差，反复训练，从而不断地逼近正确答案，达到较好地非线性分类效果。
与机器学习做对比
首先，特征工程的角度上来说：机器学习需要人工处理特征，而深度学习则是自动从数据中学习特征。
其次，从解决问题的思想上来说：机器学习是将问题拆解，一一解决后再组合起来；而深度学习是一次性地、端到端地解决问题（相应地，可解释性较差）。
最后，深度学习适合处理大数据，计算量大、训练时间长，十分依赖高端硬件设施；而在数据量比较小的时候，机器学习也许更合适。
0x02 scikit-learn
scikit-learn是python进行机器学习及数据挖掘与分析的重要而有效的工具。我们可以看到官网中的描述：
- Simple and efficient tools for data mining and data analysis
- Accessible to everybody, and reusable in various contexts
- Built on NumPy, SciPy, and matplotlib
- Open source, commercially usable - BSD license
包含了很多的机器学习方式：
- Classification 分类
- Regression 回归
- Clustering 非监督分类
- Dimensionality reduction 数据降维
- Model Selection 模型选择
- Preprocessing 数据预处理
sklearn主要针对中小型的、通用机器学习项目，尤其是数据量不大，且需要人工对数据进行处理的项目。并且sklearn提供了强大的特征工程，比如选择特征、压缩维度、转换格式等，满足了传统机器学习需要手动进行数据处理的要求。
sklearn中大部分函数都可以归为Estimator和Transformer两类。
Estimator实际上实就是模型，它用于对数据的预测或回归。基本上预估函数都会有以下几个方法：fit(x,y)：进行模型训练score(x,y)：对模型的正确率进行评分。predict(x)：对数据进行预测，用于评估模型。
Transformer用于对数据进行处理，例如标准化、降维以及特征选择等等。与估计器的使用方法类似:fit(x,y)：计算数据变换的方式。transform(x)：返回数据x变换后的结果fit_transform(x,y)：既包含训练，又包含转换。
sklearn作为一个通用机器学习库来说，抽象度高，封装程度好。我们只要遵循其固有模式，就可以通过少量的几行代码可以完成模型训练，对新人十分友好。
其实sklearn的学习曲线比较平缓，官方文档就是它最好的学习工具。文档中不但包含了对知识点的概述，还有通俗易懂的实例代码，简直是一份友好的新手入门指南。
因此，sklearn作为传统机器学习库的代表，调包侠们的瑞士军刀，是我们需要熟练使用并细心研究的，
0x03 TensorFlow
TensorFlow是Google开源的神经网络Python外部结构包, 也是一个采用数据流图（data flow graphs）来进行数值计算的开源软件库。TensorFlow是目前深度神经网络中最好用的库之一。我们可以通过使用TensorFlow来快速的入门神经网络， 大大降低了深度学习的开发成本和开发难度。
我们可以通过命名来理解：tensor，翻译为“张量”，表示N维向量；flow，表示流，是指一个有向无环图。tensorflow的运行过程就是张量从图的一端流动到另一端的过程。
数据流图用“节点”(nodes)和“线”(edges)的有向图来描述数学计算。nodes一般用来表示施加的数学操作，也可以表示数据输入(feed in)的起点/输出(push out)的终点，或者是读取/写入永久变量(persistent variable)的终点。edges表示node之间的输入/输出关系。这些edges可以传送大小可动态调整的多维数据数组，也就是张量。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行运算。
使用Tensorflow需要：
- 向tf中输入搭建模型所需要的信息，并将其转化为可处理的数据。
- 通过tf内置的函数模块搭建模型
- 循环地迭代训练以及评估模型，以便确定模型中的参数。
不同于高度抽象及模块化的sklearn，TensorFlow作为深度学习库，有很高的自由度，这些意味着对使用这的要求更高，当然我们也可以使用keras（深度学习领域的sklearn）。
其实，在更常见的情况下，可以把sklearn和tf，甚至keras结合起来使用。sklearn肩负基本的数据清理任务，keras用于对问题进行小规模实验验证想法，而tf用于在完整的的数据上进行严肃的调参(炼丹)任务。
0x04 一些想法
其实大部分同学可能都是开发出身，对于AI等相关概念略有了解，或缺乏成体系的理论知识，或缺乏具体的实践业务。居士发起的学习小组的初衷，也是为了使大家能够互相督促地补一补知识。
我本人在某AI独角兽交付部门任开发工程师，也不是从事专门的算法岗位。那么我想从我的角度谈一谈为什么想要学习AI。
近些年AI领域的火热，在招聘市场，尤其是校园招聘中，算法岗位的竞争之激烈，是经历过的同学们有目共睹的。很多大厂算法组招聘实习生的条件也是海外名校/985硕博起步的，而且一定要有匹配的专业背景以及优秀的学术能力。那么对于我们这些非算法岗位的人来说，就没有办法涉及这一领域了么？其实我认为，对于企业来说，对于AI人才的需求分为两种：一种是学术界的牛人，发过大paper，有学术界比赛的结果的。公司需要他们去做算法研究，保持技术的领先性，在业内赢得口碑，这样才能在领域内保持头部领域。另一方面，人工智能早已不是一个概念了，企业需要把业务部门的算法落地的人，能够快速、稳定、高效地把实验室中的算法落实到生产环境中，解决实际问题的人。这就需要那些工程底子扎实、能够实打实地写代码，并且对算法模型理解深刻，能够快速将AI项目工程化、落地有产出的复合型人才。
再结合居士的观点：统计学相关知识、人工智能相关知识已经逐渐地成为了我们必备的基础技能。很多时候我们要跳出自己的眼界，从更高的角度来说，这些知识有助于我们更好的了解自己的数据，更加了解业务，从而提高自己的竞争力，打破自己的能力边界，来进行“错位竞争”。
作为一名职场新人，我也希望能够不断完善自己的技术储备、从更多维的角度开阔自己眼界和想法。也希望能够通过输出的方式，和大家交流技术以及职业等方面的想法。
