編者按：Infinite Red首席技術架構師Gant Laborde通過有趣的視頻和平易近人的文字帶你入門機器學習。

如果你對人工智能和機器學習的了解是一個大大的問號，那么本文正是為你準備的。我將通過富于靈感的視頻和平易近人的文字逐漸增加你的卓越度（Awesomenessicity?）。

坐下來，放松一點。這些視頻時長分別在5-20分鐘，如果這些視頻不能給你足夠的啟發，你完全可以停止閱讀后文。然而，如果你發現你讀到了文章的末尾，那么你已經具備足夠的知識和激情進入一個全新的世界。進行到哪一步，完全取決于你。

理解為什么現在機器學習如此熱門

A.I. 一直很酷，《乓》中移動乒乓球拍的是A.I.，《街霸》中用組合技把你打上天的也是A.I.

雅達利1972年推出的乒乓球街機游戲

A.I.總可以通過程序員的猜測來實現，程序員猜測某事物應該如何表現。有意思的是，程序員并不像我們經常認為的那樣具備編程A.I.的天賦。google搜索“epic game fails”（史詩級的游戲失?。?，你可以看到大量游戲中A.I.和物理系統的故障（有時能看到有經驗的人類玩家的失敗）。

不管怎么說，現在A.I.有了一項新天賦。你可以教授計算機玩視頻游戲，理解語言，甚至如何識別人物或物體。這些新技術的冰山一角來自一個古老的概念，這一概念僅僅在最近才獲得足夠的處理能力，從而能夠存在于理論之外的場景。

我說的是機器學習（Machine Learning）。

你不再需要想出一個高級的算法。你只需教授計算機自己想出一個高級算法。

這樣的事情到底是怎么發生的？算法更多地不是寫出來的，而是繁殖出來的。我并沒有使用繁殖作為類比。

哇！這是一個瘋狂的過程！

算法實現之后，我們怎么能夠不理解算法是如何運作的呢？下面的視頻展示了一個通關馬里奧的A.I. 身為人類，我們都了解如何玩橫向卷軸游戲。但是A.I.的預測策略很是瘋狂。

令人印象深刻吧？這個想法很令人驚訝，是吧？唯一的問題是我們不知道機器學習，而且不知道如何將機器學習接入視頻游戲。

幸運的是，Elon Musk創辦了一家非盈利公司OpenAI，讓你只用寫幾十行代碼就可以將任何A.I.接入無數的游戲/任務。

為什么應該使用機器學習

關于你為什么應該在乎機器學習，我有兩個好答案。首先，機器學習（ML）正讓計算機處理我們之前從未讓計算機處理的任務。如果你想做一些新的事情，并不僅僅對你而言是新的，而且對世界而言是新的，你可以用ML來做這件事。

其次，如果你不影響世界，世界將影響你。

現在知名公司正投資ML，ML將改變世界，我們拭目以待。思想領袖發出警告，我們不能讓這一新時代的算法脫離公眾視線。想象一下如果某幾家企業控制互聯網會是什么結果。如果我們不參與，科技將不屬于我們。我認為Christian Heilmann關于ML的演講中說得很好：

我們可以希望其他人僅僅善意地使用這一力量。我卻是不看好這個賭博的人。相反，我寧愿成為這場革命的一部分。你也可以。

好，現在我有點興趣了……

這個概念挺有用，也挺酷的。我們已經在一個較高的層次了解這個概念，但機器學習的過程中到底發生了什么？它是如何工作的呢？

如果你想直接上手，我建議你跳過這一小節，直接閱讀下面的“如何入門”一節。如果你的動機是想應用機器學習技術，你不需要閱讀這一節。

如果你想要嘗試理解機器學習的工作機制，推薦觀看下面的視頻，該視頻使用經典的機器學習手寫作為例子，帶你了解機器學習的邏輯。

網絡就像一個函數，隨著層數的加深，小塊咀嚼數據，最終得到抽象概念。Adam Harley做了一個交互界面，你可以在上面親自手寫數字，看看神經網絡模型能否正確識別，以及相應各層的激活情況。

上面的交互界面展示的是數據流經已訓練模型的過程，而JavaFXpert開發的JavaFXpert/visual-neural-net-server項目（代碼發布于GitHub上）則可視化了網絡的訓練過程。

演示使用的數據集是iris數據集（源自1936年），可視化了神經網絡上反向傳播權重的過程。

我是通過JavaFXpert面向Java開發者介紹機器學習的報告上發現這個可視化工具的。即使你不是Java開發者，我也推薦你觀看JavaFXpert的這次報告，因為其中介紹了很多機器學習的概念。

你可以在YouTube上觀看這次報告：（時長一個半小時）

https://www.youtube.com/watch?v=I7GMyP6jdU0

譯者注：如果訪問YouTube遇到麻煩，文末附有獲取視頻下載地址的方法。

這些機器學習的概念真是令人激動！機器學習領域每天都有突破，所以請從現在開始。

如何入門

機器學習有很多資源。我將推薦兩條路線。

基本原理

通過這條路線，你將在算法和數學層面理解機器學習。我知道這聽起來很難，但是從頭開始，理解細節和代碼是很酷的。

如果你打算加入ML的主力軍，并深入參與討論，那么這是為你準備的路線。

我建議你嘗試下Brilliant.org的應用（對任何喜愛科學的人而言，這是一個很棒的應用），然后參加上面的人工神經網絡課程。該課程沒有時間限制，你需要用手機打發時間的時候可以學下ML。

注意，本課程在等級一之后需要付費。

你可以同時學習吳恩達的機器學習課程（斯坦福線上課程）。上面提到的JavaFXpert的報告中推薦了這門課程。另外，Jen Looper也向我推薦過這門課程。

很多人警告說這門課程比較難。對某些人來說，這意味著知難而退，但對另一些人而言，這正是深入學習這門課程并取得認證的理由。

課程是100%免費的。不過，如果你打算取得認證的話，需要為此支付一筆費用。

這兩門課程中有很多動手實踐的地方。如果你成功完成了這兩門課程，會讓每個人印象深刻，因為它們可不簡單。

不過，更重要的是，如果你確實完成了這兩門課程，你將深入理解機器學習的實現，有助于你以創新的方式應用機器學習改變世界。

極速賽車手

如果你對編寫算法不感興趣，但希望使用機器學習創建下一個突破性的網站/應用，你應該直接跳到TensorFlow以及相應的速成課程。

TensorFlow是機器學習開源軟件庫的事實標準。它有無數的應用，你甚至可以在JavaScript中使用TensorFlow。

如果參加一門課程不是你的風格，你很幸運。今時今日，你無需學習ML的本質就可以應用它。你可以有效地將ML作為一項服務使用，利用技術巨頭訓練好的模型。

不過我仍然提醒你注意，這樣可無法保證你的數據的安全性（甚至是你自己的安全性），不過ML服務很有吸引力。

如果你方便上傳數據到Amazon/Microsoft/Google，也許使用ML服務對你而言是最佳方案。我喜歡將這些服務看作是通向更高級的ML的介紹人。無論如何，現在就開始是個好主意。

讓我們成為創造者

我想借此機會向所有之間提到的人以及視頻作者表示感謝。他們在我的入門過程中給了我不少啟發，盡管我現在仍然是ML世界的一個新人，我很高興能為其他人照亮擁抱這一令人驚嘆的新時代的路徑。

當你開始學習新東西的時候，和他人交流是比不可少的。沒有友好的面孔、答案、熱鬧的討論區，任何事情都會很難。能夠提問并得到答案，效果大不一樣。你可以在推特上關注我（@GantLaborde），以及前面提到的其他人。Reddit的MachineLearning板塊也是一個交流的好地方。

下面是一個真實的例子，我在推特上和朋友討論高方差和過擬合問題。

我希望這篇文章啟發了你和你周圍的人來學習ML！