《愛，死亡與機器人》第二部前一段時間播出了，該作可以說是承載了我對于人工智能最初的想象，相信也有不少人被裡面有關未來的創造性構思震撼過。

随着現代科學技術的發展，近年來與人工智能有關的熱烈讨論經久不衰，各種文化作品如電影和小說如雨後春筍一般出現，仿佛一位巨星已經登上了時代的舞台。

在日常生活中也随處可見AI的影子，不管是手機上的廣告大數據推送、AI上課判卷還是最近風頭愈勝的無人駕駛汽車，都标志着人工智能已經在目前比較火熱的各大領域都得到了實際應用。AI的浪潮正随着時代來臨，同時裹挾着帶來的還有無窮無盡的機會。

因此作為一名和互聯網相關專業的大學生，在投遞簡曆時看到比比皆是的“AI工程師”、“數據分析師”、“算法工程師”、“風控算法工程師”等職位時，不禁怦然心動，産生了想要嘗試系統性學習人工智能課程的心思。更何況不可否認的是AI的普及速度變得越來越快，全民AI也逐漸成為了一個社會的趨勢，而這同時也給了我一種危機感與緊迫感——其他人都會，萬一我不會該怎麼辦？

于是我在網上大緻查找了一下資料，發現目前在工作中通過AI建立模型來處理問題，從而提升效率已經非常普遍，同時，AI開發門檻變得越來越低，對于注定要進入IT行業的我來說，包括開發、測試、運維、大數據、數據分析師在内的工作崗位也逐步開始接觸AI技能。這一點讓我下定了決心，學了一定不會吃虧，而不行動永遠止步不前。

那人工智能和機器學習又有什麼關系？為什麼新手都是先從後者開始？我就隻想了解人工智能不行嗎？帶着這樣的疑問，我繼續搜索，最終找到了答案——實際上，機器學習是AI的子領域，包含了幾乎所有對世界影響最大的方法，其中包括“深度學習”。也就是說，三者依次呈包含關系。從應用的角度，基于人類的基本交互方式，AI可以分為三大類：自然語言、視覺和語音。而對于這些不同類型領域的AI功能，機器學習是實現它們的基本技術。也就是說，不管方向是自然語言處理、圖像識别還是語音識别，機器學習都是必不可少的知識。機器學習是人工智能領域最核心的技術，也是入門AI開發的第一門課程。後續所有的複雜技術和應用都依賴于機器學習技術。想學好AI，機器學習是第一門必修課，如果擁有良好的機器學習基礎，再去深入研究AI技術會相較而言更加容易。

下面又是一個棘手的問題出現了——怎麼學？

幾乎是從一開始我就否決了自學這個選項。原因很簡單，作為期末考試前通宵達旦瘋狂自學的大學生一枚，我很清楚這樣做的好處和弊端：雖然看似不會花費額外時間在通勤或是走神上，但是這種方法的缺點在于沒有經驗豐富的講師答疑或者糾正，當不清楚或容易混淆的部分越積累越多時，就像沉疴一樣難以去除，思維在錯誤的漩渦裡逐漸下沉。而且缺乏具體計劃的話，比較考驗個人自制力，最重要的是，人工智能相關知識最終落點在于建立項目模型，如果僅僅是自學，很大可能要花費大量時間針對案例優化完善，或者說無法有效率地進行實踐。更何況目前在網上所能搜集到的資料大多以視頻或者文字資料為主，數量龐雜，令人眼花缭亂，難以從中挑選有效信息不說，找到适合自己的方法也不容易。

針對上述這幾點問題，我綜合比較了現在市面上比較知名的幾家人工智能課程培訓機構的優缺點，最終選擇了業内風評較好且學員反饋不錯的貪心AI機器學習中級課。将近全部課程學習下來，體驗還是比較滿意的。雖然對于完全0基礎的同學來說，直接學習這個中級課程可能存在困難，因為要求有編程的基礎，建議還是先聽聽網課，自學一下C語言、C 或者Python，有一定打代碼的經驗之後再來嘗試。像計算機專業統一學習過這些的話，是可以直接聽課的，不存在什麼特别難懂的情況。

後面看章節内容也可以知道，這個課其實大部分是數學和編程的結合，涉及了部分專業課程的内容：

概率論與數理統計——條件概率、貝葉斯公式、概率密度函數及分布函數、各類分布、期望方差及相關系數、大數定律和中心極限定理、抽樣分布、泰勒公式、參數估計（重點是最大似然法估計）、假設檢驗、線性回歸。

線性代數——拉普拉斯展開、高斯消元法、特征向量、協方差矩陣、圖的鄰接矩陣等等。

數據結構——線性表（數組、鍊表）、樹及森林（包括二叉樹及其衍生二叉搜索樹、堆、Huffman樹）、圖（關鍵，存儲結構、圖的周遊、最短路徑算法、最小生成樹）、排序（插入、選擇、快速、歸并、分配和索引），以基本思想和概念為主。

要是掌握了會更方便理解，但是沒有的話也不影響，老師會帶着重新學一遍核心重點。特别感謝這一點，因為其實大一大二學過的地方，到現在也忘得差不多了。。。

可以說，最讓我覺得獨樹一幟的是它的課程模式設計。

區别于我常用的中國大學mooc或者是b站的教學，貪心科技的課不僅每一小節都會配備對應的視頻，還有文字版的精要講解和配套練習題，一個大的知識點結束時還會有總結，告别隻看視頻的被動學習。

說實話大家應該都有體驗，當隻是單純聽講的時候非常容易注意力不集中，錯過重要的點（留下不學無術的淚。。。），而這種方式可以随時暫停重聽，加深印象，對于利用碎片化時間很有幫助。更加方便鞏固當前所學知識和學習過程中建立大框架及思維導圖，不會給人混亂繁複之感，便于記憶和梳理。可以說這個課提供了一體化的學習體驗，使視頻、文字、圖片、實戰結合起來，讓我們能更加全方面地深入理解分類、回歸、聚類、集成算法等。

而且令我驚喜的是，竟然幾乎每章都會有這樣的幾道補充代碼題和一個小案例，附圖的主題為股價預測，和前一部分關于線性回歸的課程内容相呼應。前者對我這樣的打代碼苦手非常友好，可以自己先做一遍，再和标準版本對照一下，可以糾正思路，加深對知識的理解。後者是由基礎理論内容延伸出來的在現實生活場景中的應用，給人一種真正能着手操作的獲得感和滿足感，不僅僅是紙上談兵的記憶，而是可以自己做出以前不敢想象的模型。這一part當時對于剛剛着手學習的我還是有點點艱難的，不過隻要堅持下去，越到後面就越如履平地。

還有一點，上面是機器學習課程的主要内容安排，可以看出總共十八章，其中含有五章的大項目作業，由淺至深地詳細介紹了機器學習相關内容，整體課程設置有條理。【廣告點擊率預測項目】【搭建情感分析系統】【金融評分卡模型的搭建】【營銷中的用戶分層】【聊天機器人中的意圖識别】這五個項目來自目前熱門的互聯網、社會科學、金融等幾個不同的領域，能讓我們得以在掌握理論知識的前提下學會合理應用。

我最感興趣、花費時間也最長的是第三個項目，因為金融科技是一個非常具有前景的行業，而這個模型的搭建模拟了金融風險預測和控制方面的屬性，對比了傳統預測方法與大數據預測方法的優缺點，側面也體現了人工智能給各行各業帶來的生活便利，這讓該課程與隻講理論的其他課程完美區分開來。

每一項技術都配備實戰案例，而且所有案例和項目均可直接在雲端平台上完成，不用在Dev、Visual Studio或Python上寫完再上傳文件，方便了很多，尤其适合和我一樣不咋勤快的同學，對于還沒下載軟件的同學更是省去了到處尋找安裝方法的時間。

最後由助教輔助答疑和項目批改指導。我遇到的老師和助教都挺認真負責的，可以随時聯系講解，保證每一步推導有理有據，每一個概念剖析徹底。想當初我就怕遇到那種愛搭不理半天不回複或者态度不好的老師，還專門去看了一下課程的學員評價，發現他們跟老師關系還都可以，言語間也蠻熟稔的感覺，就像老朋友一樣，我就放心了，看來沒選錯。還可以加入課程的讨論交流群，一些問題也能在群裡得到解答，很少冷場！社恐人友好。。。

體驗了一下才知道，相比于全程自己完成的局限性，這種和人溝通的交互不僅能補充資料，還能激勵學習的上進心和積極性，實屬受益頗豐。

和之前說的幾個大優點相比較而言，這個課程還具有一些其他方面的小設計，看似不足為道，實則貼心又能提供便利。比如這個筆記模式，能一邊聽課或做題一邊打字，不用在兩個界面切來切去就能記筆記或者記錄錯題。課程的界面UI也是清新簡潔，以黑白色調為主，一眼望去就可以抓住重點，沒有花裡胡哨的廣告和五顔六色閃瞎人眼的按鍵。

而且後來我還從官網得知，這個機構還聯合各大高校舉辦講座，擁有大量的AI合作企業。更與獵聘網合作，直推字節跳動、京東等大廠的中高端AI崗位，能讓畢業學員具有更便捷高效的就業渠道。對于應屆生而言，就是多了一條路可走，這無疑是一個重要的優勢。

綜上所述，貪心科技的機器學習課程雖然也存在一些微小的問題，比如初次學習時不能跳轉至後面的章節、有時候文字内容會和老師講解的有所重複等等，但相比整體以及能獲得的額外收獲而言，實屬瑕不掩瑜。對于我本人來說，還是滿意的。

以上就是我學習機器學習的心路曆程！有興趣的同學也可以自行嘗試一下哦，相信不會讓你失望的！

現在我因為有了機器學習的基礎，已經打算去繼續學習人工智能的其他進階課程了，除此之外數據分析方面也挺讓我感興趣的，有沒有接下來一起學的小夥伴呀～

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!