吴恩达预热新课！万字博客回顾机器学习算法起源 _机器学习

文章插图

文章插图

新智元报道
编辑：LRS
【新智元导读】吴恩达最近发布了一篇博客，介绍了几个基础算法的起源和直观理解，还宣传了一下自己重置版机器学习课程：目的竟是为了复习一遍！
神经网络模型在学术界和工业界都处于绝对的垄断地位，使得「机器学习」几乎要跟「深度学习」划上等号了。
作为深度学习的领军人，吴恩达自然也是深度学习的忠实使用者。
最近吴恩达在博客网站上发表了一篇特刊，表示自己由于常年使用神经网络，已经快忘了该怎么用传统的机器学习算法了！

文章插图

因为深度学习并非在所有场景下都好用，所以在「盲目」使用神经网络受挫后，痛定思痛，写了一篇文章，为一些传统的机器学习算法提供一些直观上的解释。

文章插图

这篇博客也是为即将发布的、由 Stanford Online 和 DeepLearning.AI 联合推出Machine Learning Specialization课程提供一些基础知识，包括线性回归、逻辑回归、梯度下降、神经网络、决策树、K-means聚类等算法。

文章插图

吴恩达的来信

亲爱的朋友们，
几年前，我们计划在有限的计算量预算内将该算法应用于一个庞大的用户群，所以有必要选择一个高效的算法。
在神经网络和决策树学习算法之间，我选择了神经网络。
因为我已经有一段时间没有使用提升决策树了，我直觉上认为它们需要的计算量比实际要多，但选择神经网络是一个错误的决定。
幸运的是，我的团队很快就指出了错误，并修正了我的决定，而这个项目最后也获得了成功。
这次经历给我上了一课，告诉我学习和不断刷新基础知识的重要性。如果我重新熟悉了提升树，我就会做出更好的决定。

文章插图

机器学习和其他技术领域一样，随着研究人员社区在彼此工作的基础上不断发展，一些贡献经过时间的考验后，长盛不衰，并成为进一步发展的基础。
从住房价格预测器到文本、图像生成器，一切新算法都建立在基础算法上（例如线性和逻辑回归、决策树等）和基础概念（如正则化、优化损失函数、偏差/方差等）的核心思想上。
坚实的、时刻更新的基础知识是成为一名高效的机器学习工程师的一个关键。许多团队在日常工作中都会用到这些想法，而博客文章和研究论文也常常假定你对这些思想很熟悉，这些常识基础对于我们近年来看到的机器学习的快速进步至关重要。
这也是为什么我把原来的机器学习课程进行了更新。

文章插图

我的团队花了很多时间来讨论最核心的教学概念，为各种主题制定了广泛的教学大纲，并在其中设计了课程单元的原型。
这个过程帮助我们认识到，主题的多样性比细节的知识更重要，所以我们又重新制作了一份大纲。
我希望最后的结果是一套易于理解的课程，能够帮助任何人掌握当今机器学习中最重要的算法和概念，包括深度学习，但也包括很多其他东西，并能够建立有效的学习系统。