从逻辑编程到机器学习模型编程

因为tensorflow开源后人工智能开始在中国崛起，我才关注机器学习，之前虽然看到大数据机器学习，但是不太关注，比如hadoop,spark。然后开始阅读和学习网上机器学习、深度学习技术资料，虽然看了不少资料，但是还是不太懂，于是开始看书，看p ython,看机器学习，看tensorflow书籍，看了7本，终于有了领悟，从量变到质变。看了七本书，大约370万字，所以现在对机器学习已经知道不少，刚开始看不怎么懂，看到后面越懂越多，开始可以提出一些实现算法，并训练一些数据，看到一些效果。

看懂了机器学习算法，我开始回过去看以前写的程序，无外乎前台界面和后台逻辑，界面差不多就是画图，也可以用代码实现界面，但是逻辑很少，只有后台处理，就是界面后面的逻辑计算，可能编程比较复杂，涉及到逻辑ifelse判断，然后就是加减乘除数学计算，这些都是可以用代码实现的。一个操作系统或者大型程序有几千万行代码，为了把这些代码管理好，采用模块化设计，分门别类，代码太复杂还要进行总体设计和详细设计，然后编译运行，我们说这种程序代码叫逻辑模型，我们是提前知道的，然后才能写成代码运行实现。比如内存管理，任务调度，我们是提前知道算法而且能够编程实现的。

大数据时代机器，人们也是知道模型的，比如线性分类和线性回归，我们通过提取特征，然后进行机器学习，归纳出模型，然后进行预测，比如销售数据，判断这个客户是不是在下次还会购买。这些学习算法通过对数据进行一定算法的处理后得到结论，这些算法包括最近邻knn，概率统计的贝叶斯，决策树，支持向量机svm,pca矩阵分解降维，adaboost集成学习算法，梯度提升树(Gradient Boosting Decison Tree, 以下简称GBDT，二级算法是CART回归树)，随机森林（随机构造多棵树后再判断），多层感知机。哪种算法最适合呢？即使同一种算法通过调整不同的参数结果也会不同。所以要学习这些算法才能应用到特征学习。通过计算调整后获得最佳模型，就可以用来预测数据。

如果我们欲先知道这些特征，然后就就可以用机器学习算法训练出预测模型。但是如果不知道特征呢？比如图片和语言文字，谁知道他有什么特征呢？不过人脸识别定位还是需要特征的，否则找不到脸。没有特征的数据训练就需要大量数据，所以图像识别数据很重要。这样的模型需要深度学习，卷积神网络cnn和循环神经网络rnn或者两个都用r-cnn。rnn用lstm长短期记忆预测，跟时间有关。

这样好像开发机器学习模型编程还是比较容易，可是如果不了解机器学习的算法和概念，估计即使你看到代码也不知所以然，更不用说要开发机器学习程序了。所以我觉得拖拉式机器学习开发工具可能没什么用，对处理简单数据可能有效，但是复杂的机器学习就不行了。机器学习编程还要学习python语言，当然也可以用 C++。

我打算以后就从事机器学习研究，可能赚钱呢，而且我觉得机器学习编程能做很多以前逻辑编程不能做的事情，比如图像识别，语音识别，用旧的逻辑编程就不行了，因为你不知道特征，而且语言这东西，如果要整理出所有的语句，然后又能应变复杂改变，参数几十万，写逻辑代码肯定不行，要用多少ifelse判断，一句话，参数太多，而且你还不能知道这些参数怎么填，需要从大数据中训练获得这些参数，这就是机器学习要做的。训练得到的参数就存到模型里，在预测的时候用。

虽然看了几本书，但是还是觉得不够，我决定去人工智能公司上班研究人工智能算法，我决定还要读10机器学习书籍。

机器学习有挑战性，有吸引力，我才是我要去的地方。如果找到工作了，转型算是成功了。

知难而进，找最有挑战的工作，也许会推动人工智能发展也很难说，大家都会用上我的人工智能产品，就像人们以后会用我的操作系统和编译器一样。