机器学习考研

晓查 整理量子位 报道 | 公众号 QbitAI新冠疫情的出现，让许多AI医疗技术浮出水面。但是AI一直黑箱问题存在，如果AI对过程都不能做到可解释，又怎么能放心让它来诊断病患呢。而关于机器学习可解释问题的书籍少之又少。最近，一位来自复旦大学的研究生朱明超，将一本少有的书《Interpretable Machine Learning》（可解释机器学习）翻译成了中文。这本书最初是由德国慕尼黑大学博士Christoph Molnar耗时两年完成的，长达250页，是仅有的一本系统介绍可解释性机器学习的书籍。朱明超近期完成了这本书的翻译和校对工作，目前已经开源放到GitHub网页上。朱同学在翻译过程中还和原作者进行了多次讨论，中文版还得到了Christoph Molnar本人在Twiter上的推荐。“可解释”是这本书的核心论题。作者认为，可解释性在机器学习甚至日常生活中都是相当重要的一个问题。建议机器学习从业者、数据科学家、统计学家和任何对使机器学习模型可解释的人阅读本书。《可解释的机器学习》该书总共包含 7 章内容：第一章：前言第二章：可解释性第三章：数据集第四章：可解释的模型第五章：模型无关方法第六章：基于样本的解释第七章：水晶球Molnar表示，虽然数据集与黑盒机器学习解决了很多问题，但这不是最好的使用姿势，现在模型本身代替了数据成为了信息的来源，但可解释性可以提取模型捕捉到的额外信息。当我们的日常生活中全都是机器和算法时，也需要可解释性来增加社会的接受度。毕竟要是连科学家都研究不透“黑盒”，怎样让普通人完全信任模型做出的决策呢？这本书的重点是机器学习的可解释性。你可以从这本书中学习简单的、可解释的模型，如线性回归、决策树和决策规则等。后面几章重点介绍了解释黑盒模型的模型无关的一般方法，如特征重要性和累积局部效应，以及用 Shapley 值和 LIME 解释单个实例预测。对各种解释方法进行了深入的解释和批判性的讨论。它们是如何工作的？优点和缺点是什么？如何解释它们的输出？本书使你能够选择并正确应用最适合你的机器学习项目的解释方法。这本书结合了各类现实生活中的例子来介绍相关的概念，同时搭配参考链接帮助读者进一步学习了解。另外朱同学的GitHub上还一直在坚持翻译Goodfellow的《机器学习》，还在翻译中配上了自己编写的Python代码供参考。有兴趣的同学也可以顺带去参考学习。最后附上《可解释机器学习》一书的项目地址：https://github.com/MingchaoZhu/InterpretableMLBook

首先，编程语言本身的难度并不高，编程语言作为一种操作计算资源的工具，简单易用是一个大的发展趋势，所以自学编程语言并掌握其基本语法是完全可行的，同时掌握多门编程语言也比较常见，但是如果想形成自身的编程思想，同时能够使用编程语言来完成具体场景下的开发任务，这通常需要一个积累的过程。对于研究生来说，尤其是计算机专业的研究生来说，并不应该把学习更多的编程语言作为主要的学习目标，而是应该选择一个主攻方向，然后培养自己的科研方法，同时在主攻的细分领域形成突破，编程语言仅仅是辅助自己形成突破的工具。以机器学习为例，在学习机器学习的过程中，重点在于算法的设计上，而编程的目的往往是为了完成算法的实现和应用，从技术难度上来说，编程语言并不是难点，也不是重点。对于研究生来说，衡量自身的科研能力，也不以掌握了几门编程语言作为主要的衡量指标。在学习编程的过程中，要想精通一门编程语言，至少要经历三个阶段，其一是基本语法的学习阶段，其二是编程思想形成阶段，这个阶段要完成大量的实验，同时还需要进行大量的交流和总结，其三是场景研发阶段。不论是应用级程序员，还是研发级程序员，编程语言的学习都离不开这三个阶段。最后，编程语言本身与应用场景有非常紧密的联系，所以在选择编程语言的过程中，一定要立足于自身的主攻方向，如果没有明确的主攻方向，可以选择一门全场景编程语言，比如Java和Python都是不错的选择。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以私信我！

首先，答案是肯定的，大数据专业的本科生在读研的时候完全可以选择人工智能的相关方向，包括自然语言处理、计算机视觉、机器学习、自动推理等，还可以选择与人工智能相结合的方向，比如智能装备等。大数据专业是一个典型的交叉学科，涉及到数学、统计学和计算机三大部分内容，所以大数据专业在读研的时候可以有更多的选择，既可以选择传统计算机相关的研究方向，也可以选择大数据、人工智能相关方向。大数据专业读研选择人工智能方向，存在以下几点优势：第一：大数据本身与人工智能关系密切。人工智能的研究需要三方面的支撑，包括数据、算力和算法，在大数据的支撑下，目前人工智能在很多领域已经有所突破（机器学习等），所以数据对于人工智能的研发具有重要的意义。第二：人工智能是大数据的重要出口。从应用层面来看，大数据并不是最终的目的，最终的目的是如何应用数据，而人工智能就是大数据重要的应用出口。所以，不少大数据方向的研究走到一定程度都离不开人工智能技术的参与。第三：基础知识结构比较统一。大数据与人工智能在基础知识结构上比较统一，所以从大数据往人工智能方向发展并不会感觉有明显的跨度。在大数据分析中经常采用的方式就是统计学方式和机器学习方式，所以很多大数据专业的本科生对于算法设计、算法实现、算法训练等研究步骤已经比较熟悉了，而这些步骤也正是人工智能研究的常见步骤。最后，大数据从某种意义上可以看成是人工智能的基础，所以本科阶段选择大数据，到研究生阶段选择人工智能是不错的选择，也会有较大的上升空间。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

机器学习是人工智能的六大研究方向之一，同时机器学习也是大数据分析的两种主要方式之一，所以学习机器学习对于大数据从业者和人工智能从业者都有比较重要的意义。机器学习对于初学者来说确实存在一定的难度，原因主要基于三个方面，其一是机器学习需要具有扎实的数学基础，因为机器学习的核心就是算法设计；其二是机器学习涉及到大量的计算机知识，包括算法实现、算法训练和算法应用；其三是机器学习与应用场景还有密切的关系，需要掌握一定的行业知识（场景相关）。对于初学者来说，要想能够顺利入门机器学习，应该根据自身的知识结构和能力特点来选择切入点。如果数学基础比较扎实，那么可以从数据分析来入门机器学习，而如果计算机基础比较扎实，则可以通过机器学习的场景应用来入门机器学习。不论是以数据分析为切入点，还是以行业应用为切入点，学习机器学习都需要掌握一定的算法知识，只有掌握了相关的算法，才可以逐步深入机器学习的知识体系。机器学习有不少算法是比较常见的，而且理解起来和实现起来都比较容易，包括kNN、决策树、支持向量机、朴素贝叶斯等等，从这些算法开始入门机器学习会有一个相对比较顺利的学习过程。要想顺利入门机器学习，还应该注重机器学习的实验，而要想完成机器学习实验则应该从学习编程语言开始，学习Python语言就是一个不错的选择。最后，机器学习的入门书籍有很多种，可以根据自己的知识结构来选择适合的入门书籍，建议选择实验案例稍微多一点的书籍来入门，这样会有一个更好的学习体验。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

首先，当前有很多非计算机专业的研究生选择了与机器学习、大数据等技术相结合的研究方向，而且在工业互联网时代，很多非计算机专业会设立大量与计算机相关技术相结合的方向，这是一个大的发展趋势，这就要求研究生在研一期间要做好相关知识的积累。对于研一的同学来说，要想入门机器学习并不会遇到太大的障碍，可以从基本的机器学习常用算法开始学起，再结合一些具体的案例进行深入，通常都会顺利入门机器学习。机器学习的常见步骤包括数据收集、算法设计、算法实现、算法训练、算法验证和算法应用等，整个机器学习步骤的基础是数据，而重点则在于算法的设计。学习机器学习需要一个系统的学习规划，在学习了基本的机器学习算法之后，可以进一步深入学习机器学习的相关理论，可以重点学习一下深度学习的相关内容，这对于后期的科研会有非常直接的影响。当前很多领域的研究都会结合深度学习来展开，深度学习所取得的效果相对于传统方式也有比较明显的提升。在学习机器学习知识的过程中，要重视交流和实践场景的打造，由于研究生教育本身是一个大的教育平台，所以也可以积极申请相关研究方向的教育资源，也可以让导师提供一些帮助，如果能够与机器学习相关方向的导师进行交流，也会在一定程度上提升自己的学习效率，至少在学习过程中会少走一些弯路。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以私信我！

计算机专业近年来持续火热，随着我国大力发展人工智能的脚步迈进，众多的高校也逐渐开设人工智能学院等新兴的计算机相关专业。计算机类历年来考研就以竞争压力大，调剂分数高出名，很多学校的计算机专硕基本上一志愿全部爆满，都不接受调剂，小编整理了江浙沪地区目前还接受计算机调剂的这所高校，供各位考生参考：苏州科技大学电子与信息工程学院2020年硕士研究生招收调剂专业081200 计算机科学与技术（学术学位）的主要研究方向为1、机器学习与大数据分析：该学科方向主要研究大数据分析的理论与方法、数据挖掘技术、机器学习理论及其应用。主要研究方向：(1)机器学习、数据挖掘理论及方法研究。面向建筑节能的深度强化学习理论与方法、建筑环境数据特征提取与深度挖掘技术、多源异构大数据融合、动态多尺度数据分析理论与方法。(2)机器学习应用技术研究。面向建筑、环境、交通大数据等具体问题，研究计算机学习技术在建筑检测、建筑节能、智慧环保、智慧交通等领域的应用技术。2、机器视觉与虚拟现实：该学科方向主要研究机器视觉与虚拟现实的理论和方法，及其在工业4.0、智能建筑、智能交通和智慧医疗等行业应用。主要研究方向：(1)视觉特征提取与表达研究。面向智能建筑、智能交通、智能医学影像分析及应用，研究图像和视频数据的鲁棒特征提取、二维图像空间的特征表达理论与技术。(2)三维建模理论与方法研究。基于全景序列图像的三维建模动态环境建模技术、环境数据匹配技术、动态场景绘制技术。 3、物联网与智能系统：该学科方向主要研究面向复杂应用系统的信息采集、传输、分析、控制优化及信息化管理等方面的理论、机制和应用技术。主要研究方向：(1)复杂网络控制系统的建模及分析研究。复合目标、多样化参数和模糊化的网络控制建模、感知、分析和控制理论、机制和技术。(2)物联网络应用技术研究。物联网体系架构、协议以及新一代网络技术在智能建筑、环境等领域的应用技术。如果觉得对你有帮助，欢迎转发评论想要了解更多考研干货请关注我！欢迎大家点赞、关注、分享，每天不定时更新考研那些事！（图片来自网络，如有侵权，请联系删除）

对于本科是数学与统计学相关专业的学生来说，在研究生阶段主攻AI方向是不错的选择，因为AI领域的相关研究方向通常需要具有扎实的数学基础，数学基础好更容易做出成果。但是，相对于计算机专业的学生来说，数学专业的学生在动手实践能力方面会有所欠缺，所以应该加强编程方面能力的培养。目前AI领域的研究多集中在机器学习（含深度学习）、计算机视觉、自然语言处理和机器人学等领域，其中机器学习的热度比较高，相关的研究也比较系统，所以从机器学习入门AI是不错的选择。对于非计算机相关专业，同时还没有进入课题组的研一学生来说，在学习机器学习的过程中，一方面要了解机器学习的概念，另一方面也要尽快锻炼自己的编程能力，为研二期间进入课题组做好准备。目前Python语言在机器学习领域有广泛的应用，我在早期从事机器学习实现时使用的是Java语言，后来改用Python语言之后，明显感觉Python还是比较简单便捷的。另外，Python语言语法简单易学，即使没有任何编程基础也能够掌握。在掌握Python的基础语法之后就可以开始进行一些简单的机器学习实验了，可以从一些比较常见的算法实现开始，比如knn、决策树、朴素贝叶斯等等，在实验的过程中最好结合实际的场景进行，这样会增强自己的落地实践能力，对于非计算机专业的学生来说，这个环节还是比较重要的。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网方面的问题，或者考研方面的问题，都可以咨询我，谢谢！

机器学习是我的主要研究方向之一，同时也在带相关方向的研究生，所以我来探讨一下这个问题。首先，机器学习包括深度学习，是人工智能的研究方向之一，人工智能领域除了机器学习之外，还有自然语言处理、计算机视觉、自动推理、知识表示和机器人学，而把机器学习认为是人工智能的全部是比较片面的。之所以一部分人会认为机器学习取代人工智能，主要有以下几个方面的原因：第一：大数据的推动。大数据经过多年的发展已经趋于成熟，目前正处在落地应用的初级阶段，在大数据的推动下，机器学习尤其是深度学习得到了一定程度的发展，而且机器学习也是大数据分析的重要方式之一，所以很多人会误认为机器学习就是人工智能或者取代人工智能。但是，不可否认的是，大数据确实推动了人工智能的发展。第二：机器学习是人工智能领域的热门研究方向。目前人工智能领域比较热门的方向集中在计算机视觉、自然语言处理和机器学习三大领域，由于计算机视觉和自然语言处理也涉及到机器学习，所以这也是导致误会的一个重要原因。虽然机器人也是人工智能的重要研究方向，但是机器人研发的门槛相对比较高，对于研发资源的要求也比较高，所以广大的中小科技企业往往会比较慎重。第三：机器学习的应用案例比较多。相对于其他人工智能研究方向来说，目前机器学习的应用案例还是比较多的，而且从事机器学习研发的团队也比较多，这就会让人误以为从事人工智能研发就是从事机器学习研发。虽然目前机器学习在大数据时代有了一定的发展，但是机器学习目前还有大量的科研课题需要攻克，比如解决落地应用问题就比较棘手，所以机器学习领域的发展将需要一个系统的过程。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

如果想从事机器学习方面的岗位，在选购笔记本电脑的时候需要考虑三方面内容，其一是否有云计算平台的支撑；其二是否有数据分析任务；其三是否需要做落地实现。对于很多人来说，掌握机器学习知识是进入人工智能领域的重要途径，机器学习不仅是人工智能的六大方向之一，同时也是进入其他领域的重要基础，比如自然语言处理、计算机视觉等。从事机器学习需要两方面资源的支撑，其一是算力支撑，其二是数据支撑，所以在选购笔记本电脑的时候，应该根据这两个方面的资源掌握情况来进行选择。如果有云计算平台的支撑，那么在进行电脑选择的时候，并不需要考虑太强大的计算性能，但是应该注重显卡和CPU的配置不能过低，这样在做一些本地实验的时候，会方便一些。实际上，目前大部分机器学习方面的研发都需要基于云计算平台来进行，毕竟笔记本电脑的性能瓶颈是比较明显的。目前机器学习在数据分析领域有广泛的应用，如果需要基于机器学习从事一些大数据分析任务，那么应该注重一下笔记本电脑的内存，此时内存越大越好，因为大数据平台往往非常占内存，开源的大数据平台往往也需要8G以上的内存，一些商用的大数据平台会有更高的要求。最后，选择笔记本电脑还需要考虑到实际的运用环境，如果需要频繁到现场解决问题，还需要考虑到便携性和续航时间。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！