ML-For-Beginners/1-Introduction/1-intro-to-ML/translations

機器學習介紹

🎥 點擊上面的圖片觀看討論機器學習、人工智能和深度學習之間區別的視頻。

課前測驗

介紹

歡迎來到這個經典機器學習的初學者課程！無論你是這個主題的新手，還是一個有經驗的 ML 從業者，我們都很高興你能加入我們！我們希望為你的 ML 研究創建一個好的開始，並很樂意評估、回應和接受你的反饋。

🎥 單擊上圖觀看視頻：麻省理工學院的 John Guttag 介紹機器學習

機器學習入門

在開始本課程之前，你需要設置計算機能在本地運行 Jupyter Notebooks。

• 按照這些視頻裏的講解配置你的計算機。了解有關如何在此視頻集中設置計算機的更多信息。
• 學習 Python。 還建議你對 Python 有一個基本的了解。這是我們在本課程中使用的一種對數據科學家有用的編程語言。
• 學習 Node.js 和 JavaScript。在本課程中，我們在構建 web 應用程序時也使用過幾次 JavaScript，因此你需要有 Node.js 和 npm 以及 Visual Studio Code 用於 Python 和 JavaScript 開發。
• 創建 GitHub 帳戶。既然你在 GitHub 上找到我們，你可能已經有了一個帳戶，但如果沒有，請創建一個帳戶，然後 fork 此課程自己使用(也給我們一顆星星吧😊)
• 探索 Scikit-learn. 熟悉 Scikit-learn，我們在這些課程中引用的一組 ML 庫。

什麽是機器學習？

術語「機器學習」是當今最流行和最常用的術語之一。 如果你對科技有某種程度的熟悉，那麽很可能你至少聽說過這個術語一次，無論你在哪個領域工作。然而，機器學習的機製對大多數人來說是一個謎。 對於機器學習初學者來說，這個主題有時會讓人感到不知所措。 因此，了解機器學習的實質是什麽，並通過實例一步一步地了解機器學習是很重要的。

谷歌趨勢顯示了「機器學習」一詞最近的「趨勢曲線」 我們生活在一個充滿迷人奧秘的宇宙中。像史蒂芬·霍金、阿爾伯特·愛因斯坦等偉大的科學家，以及更多的人，都致力於尋找有意義的信息，揭示我們周圍世界的奧秘。這就是人類學習的條件：一個人類的孩子在長大成人的過程中，一年又一年地學習新事物並揭示世界的結構。

孩子的大腦和感官感知到周圍的事實，並逐漸學習隱藏的生活模式，這有助於孩子製定邏輯規則來識別學習模式。人類大腦的學習過程使人類成為世界上最復雜的生物。不斷地學習，通過發現隱藏的模式，然後對這些模式進行創新，使我們能夠使自己在一生中變得越來越好。這種學習能力和進化能力與一個叫做大腦可塑性的概念有關。從表面上看，我們可以在人腦的學習過程和機器學習的概念之間找到一些動機上的相似之處。

人腦 從現實世界中感知事物，處理感知到的信息，做出理性的決定，並根據環境執行某些行動。這就是我們所說的智能行為。當我們將智能行為過程的復製品編程到計算機上時，它被稱為人工智能 (AI)。

盡管這些術語可能會混淆，但機器學習 (ML) 是人工智能的一個重要子集。 機器學習關註使用專門的算法來發現有意義的信息，並從感知數據中找到隱藏的模式，以證實理性的決策過程。

顯示 AI、ML、深度學習和數據科學之間關系的圖表。圖片作者 Jen Looper，靈感來自這張圖

你將在本課程中學到什麽

在本課程中，我們將僅涵蓋初學者必須了解的機器學習的核心概念。 我們主要使用 Scikit-learn 來介紹我們所謂的「經典機器學習」，這是一個許多學生用來學習基礎知識的優秀庫。要理解更廣泛的人工智能或深度學習的概念，機器學習的基礎知識是必不可少的，所以我們想在這裏提供它。

在本課程中，你將學習：

• 機器學習的核心概念
• 機器學習的歷史
• 機器學習和公平性
• 回歸
• 分類
• 聚類
• 自然語言處理
• 時序預測
• 強化學習
• 機器學習的實際應用

我們不會涵蓋的內容

• 深度學習
• 神經網絡
• AI

為了獲得更好的學習體驗，我們將避免神經網絡、「深度學習」（使用神經網絡的多層模型構建）和人工智能的復雜性，我們將在不同的課程中討論這些問題。 我們還將提供即將推出的數據科學課程，以專註於這個更大領域的這一方面。

為什麽要學習機器學習？

從系統的角度來看，機器學習被定義為創建可以從數據中學習隱藏模式以幫助做出智能決策的自動化系統。

這種動機大致是受人腦如何根據它從外部世界感知到的數據來學習某些東西的啟發。

✅ 想一想為什麽企業想要嘗試使用機器學習策略而不是創建基於硬編碼的規則引擎。

機器學習的應用

機器學習的應用現在幾乎無處不在，就像我們的智能手機、互聯設備和其他系統產生的數據一樣無處不在。考慮到最先進的機器學習算法的巨大潛力，研究人員一直在探索其解決多維多學科現實問題的能力，並取得了巨大的積極成果。

你可以在很多方面使用機器學習:

• 根據病人的病史或報告來預測患病的可能性。
• 利用天氣數據預測天氣。
• 理解文本的情感。
• 檢測假新聞以阻止其傳播。

金融、經濟學、地球科學、太空探索、生物醫學工程、認知科學，甚至人文學科領域都采用機器學習來解決其領域中艱巨的、數據處理繁重的問題。

機器學習通過從真實世界或生成的數據中發現有意義的見解，自動化了模式發現的過程。事實證明，它在商業、健康和金融應用等方面具有很高的價值。

在不久的將來，由於機器學習的廣泛應用，了解機器學習的基礎知識將成為任何領域的人們的必修課。

---

🚀 挑戰

在紙上或使用 Excalidraw 等在線應用程序繪製草圖，了解你對 AI、ML、深度學習和數據科學之間差異的理解。添加一些關於這些技術擅長解決的問題的想法。

閱讀後測驗

復習與自學

要了解有關如何在雲中使用 ML 算法的更多信息，請遵循以下學習路徑。

任務

啟動並運行