1 走下神坛的机器学习
我们马上就要进入20世纪的第3个十年啦，而人工智能和机器学习，也已经火了差不多有六七年的时间了。
从Hinton团队在2012年的ImageNet大赛中用神经网络模型一举夺魁开始，AI频频出圈。2014年吴恩达在Coursera 开了机器学习课，2015年周志华老师出了西瓜书，而2017年李彦宏把无人驾驶车开上了五环，AlphaGo打遍天下无敌手，波士顿动力机器人学会了后空翻，人工智能热到了极致。
——大家觉得，生活和信念正在被颠覆，崭新的时代即将来临。
到了2020年，虽然人工智能和机器学习热度仍在，却没有什么“惊天地泣鬼神”的新东西出场，和前两年相比，机器学习在媒体中的热度降温了。
那么，机器学习还香吗？内卷了吗？
现在开始学机器学习，还来得及吗？
先说一件事：
也就是两、三年前吧，有天早上一小美女同事带着熬夜排到的iPhone进了公司。大家呼啦一下围上来。最开始屏幕是锁着的，然后小姐姐面带着微笑把电话往自己脸前一晃——好帅啊，手机解锁了！当时我们这些围观群众都惊呆了……心想这什么黑科技啊……
这场景要是在今天重放一遍，大家会不会把我们全体人当傻子？—— 老土啊！不就是一人脸识别吗？这破技术早都烂大街了……
我说这件事是什么意思呢？——现在技术落地的速度，实在是太快了。一种“黑科技”，从实验室里面走出来，从学术界到工业界，简直是零距离。
事实上，机器学习开始真正吸引眼球，是从其分支深度学习的出现开始的。作为一种突破性的技术，深度学习把AI提升到了一个崭新的高度。新的飞跃确尚未出现。但是机器学习和深度学习在数据分析、计算机视觉、自然语言处理、自动驾驶和机器人等场景中，具体的应用一个接一个的落地，层出不穷。因此，深度学习之后的主要发展，不全是技术的发展，而是实际应用场景的广泛拓展。
因此，我的答案是机器学习并没有内卷，他正在走下神坛，从学术殿堂的象牙塔中逐渐落地，成为一种应用技术。
在未来的AI世界中，会存在两种人：
• 第一种是继续寻求AI创新的算法工程师、数据科学家，努力寻找更好的算法和新的技术突破；
• 第二种是机器学习的应用者，对他们而言，机器学习就向Java/C++、Excel/PPT一样，只是解决问题的一种手段。是像英文、驾车一样不得不会的工具。
第二种人会比第一种人多很多，也一样会很有价值。
也就是说，只要你从事与大数据、IT相关的工作，你可能就得多少学点机器学习的知识，多少会使用一些机器学习模型。——即使你的目标并不一定是成为机器学习和算法工程师。
也许：
- 你需要对未来的业务数据进行预测——可以应用回归和分类模型；
- 你需要进行大数据的分析和处理——比如开发或优化推荐系统；
- 你需要对非结构化的图片进行特征提取——比如为产品加入人脸识别功能；
- 你需要通过强化学习训练智能体——比如训练更聪明的聊天机器人。
下图是一些机器学习的种类和应用场景，大家可以看看（覆盖未必很全面，因为机器学习的应用领域发展太快）。
2 为什么写这本书
这本书，正是写给需要“懂”机器学习，并需要在工作中用到机器学习技能的人的。
市面上，深奥的理论和细抠算法的资料太多。而如何从零基础开始，手把手教人“用”机器学习的教程太少。
这就像一个人来到驾校想学车，而驾校的教练带他走进了造汽车的工厂，说：”来，小伙子，我们详细讲一讲你面前的这辆车是怎么造出来的。”
——这样不合适，顺序反了。
应该是先学会开车，把车开好了，然后如果真有兴趣，再去了解车的内部结构。
为什么我这么看中“开车”而不是“造车”？这和我的职业有关。
我是技术顾问出身，年轻时出过几本很普通的SAP书（凡尔赛），后来一直给一家大客户做SAP系统实施和维护，生活像温水中的青蛙一样平静……
突然有一天，大客户说，SAP License太贵了，我们准备停用了。上云。你们给找找云软件，替代掉SAP。
从那天开始，我们这组人的生活就不再平静了。大家各显神通，也经历了各种培训，一段时间之后，都化身为了云计算、AWS、Azure和各种SaaS供应商的专家，为客户提供云解决方案。
然而好景不长，客户成功上云之后，我们再次面临没事可做的窘境。
新的增长点在何处呢？（打工人！总要恰饭）
思考之后，我们有2个主要发现：
- Workday、Salesforce这样的SaaS软件、AWS等云服务实在太好用了，让客户从繁琐的业务流程中逐渐解脱出来；
- 客户开始把眼光投向他们手头所积累的数据，并希望我们能利用这些数据，为他们解决运营或者增长相关的高附加值问题，即产生洞见，优化运营。
原来的客户抛给我们的第一个新项目，就是通过收集的详细用户信息，对用户进行画像，然后找出具有高欺诈风险的群体，他们将进行对其账户更严格监管。
另一个客户给我们的挑战更大——他们是印尼一个较大的打印纸生产商，拥有上万公顷的树林，他们问题是每年需要派出大量的人力、物力，去深入森林勘察，侦测出今年哪个片区的森林已经成熟，值得砍伐。
新项目一个接一个的来了。
我们发现——这些“新”的“不同”类型的有趣项目，无不与数据相关，无不与“机器学习”相关。
如果你了解一些AI具体技术，你应该会知道第一个项目是一个典型的机器学习问题，而第二个项目，解决方案是使用无人机进行航拍，收集海量视频和图片数据，然后通过深度学习的方法发现图片中的颜色和模式，然后智能定位已经成熟或者发育不良的林区，对症下药。
好了，从这时起，我们又摇身一遍，从“云计算”专家化身“机器学习”应用专家。
——其实，这个变身的过程，与我在《零基础学机器学习》书中所描述的故事大同小异。
说了这么多，这些事情到底与这本书的创作有何关联呢？
作为一个咨询顾问，我有自己的创作目的：就是从实际出发，强调“机器学习的应用过程”，想象着有一群像我一样的，具有一定IT背景的读者、学生，从0基础开始学起，该如何循序渐进，逐步深入，不多不少，恰到好处的给出其入门机器学习所最需要用到的知识？以节省它们的时间和精力呢？
因此这本书就是我在机器学习项目实战过程中，所发掘到的对实际工作最有价值的内容记录，能够让“应用型”的你作为接触机器学习的良好起点。
3 如何零基础入门
那么，如何入门机器学习呢？
这里总结一个较为轻松的入门路线，无论是否阅读《零基础学机器学习》，都可以参考一下。
①打消掉畏难情绪
我第一个要打破的刻板印象就是——机器学习很难，里面有一大堆的算法。
这主要是由于信息过载，初学者往往不知道从何开始，一开始一大堆新概念和算法上来头就晕。
我太了解这种知识过载给人带来的焦虑和苦恼了。因为我本人也不是一个研究型的学习者，读论文可从来不是我的强项。
大家首先可以放心，机器学习——真的不难！而且比起前端/后端、Java、C++、微服务和分布式系统开发等互联网技术相比，入门机器学习不仅不难，而且还是太简单了！
我在《零基础学机器学习》中，特意设置了2个角色：
这本书用小冰的学习过程，串起了整本书的学习流程。初学者容易遇到的问题，小冰这个AI小白都会碰到，此时技术专家咖哥则从各种角度给以指导。
有小伙伴一起，你也可以轻松而快速地入门机器学习！
②打牢入门基础
在此基础上，增加机器学习必备的基础知识和实战构架，这是最最重要的内容。
请牢记，无论学习哪一领域，大家一定要在一开始就看到全貌，这样才能有的放矢。
下图是机器学习上手就需要掌握的内容，只学起来一点都不会累。只需要花费不到一周的时间，就能打牢入门基础。
夯实这些机器学习领域的基础知识后，我们就可以上路了。
③从实战出发解决实际问题
解决了“入门难”这个事儿之后呢，下一个着力点是“我们要用机器学习干什么？”
学一样东西，如果没有看到学了之后具体有什么用，怎么使用，那简直是浪费时间。
所以，如果想让自己的学习有结果，就要特别强调实战。
实战案例的选择，需要具有实用性，比如银行客户流失率的预测、疾病风险评估、网站用户的聚类等等。大家可以在Kaggle网站上寻找数据集、训练机器，参加机器学习竞赛，只有解决了实际问题，才能明白机器学习是怎么一回事。
对于我来说，一切抛开实际应用的理论都不是为入门阶段的读者所准备的，所以我在书中也准备了非常多的训练项目。此外，我还添加了一个小小的设计——
一般的课程思路是这样的：
- 讲解理论 →介绍工具→解决问题
这本书的设计思路是这样的：
- 提出问题→讲解理论→介绍工具→解决问题
这一小小的设计，会让待解决的问题在整个学习过程中一直在我们的头脑中打转，也让我们的学习过程充满目的性。
以结果为导向，是我在学习过程中所特别强调的。
④总结出一个实战套路反复演练
重点来了，有了学习目标，还需要一个完善的、经过实证检验的套路，方便大家检验习得的技能。
那么机器学习实战有没有套路？
有套路，请看下图：
这是在机器学习项目实践中总结出来的流程， 在书中所有具体机器学习项目实战章节中，全部套用同一个实战套路。
具体包括：
• 线性回归，
• 逻辑回归，
• 深度学习，
• 卷积神经网络，
• 循环神经网络，
• 集成学习，
• 非监督学习，
• 生成式对抗网络，
• 强化学习等
将各种各样的机器学习模型反复演练，强化上图中的套路，每强化一次，你就会觉得机器学习愈发简单，而且逐渐变得充满乐趣。
下图就是《零基础学机器学习》为新手精心设计的入门路线。
好了，说了这么多书的事儿，我们回到文初的问题上面：机器学习内卷了吗？
——机器学习当然没有内卷，机器学习只是正在被越来越多的人所了解，正在被越来越多的企业所应用，正在渗透进我们生活中的方方面面。这叫做落地，而不叫什么“内卷”。
使用机器学习的技术，去解决工作和生活中具体的问题，在数据中提炼出价值，那是多酷的一件事情！
