Part 1：為什么機器學習如此重要
Part 1：為什么機器學習重要。人工智能與機器學習概述——過去，現在，將來。
https://medium.com/machine-learning-for-humans/why-machine-learning-matters-6164faf1df12
Part 2.1：監督學習。線性回歸，損失函數，過擬合，梯度下降。
https://medium.com/machine-learning-for-humans/supervised-learning-740383a2feab
Part 2.2：監督學習II。兩種分類方法：邏輯回歸和SVMs。
https://medium.com/machine-learning-for-humans/supervised-learning-2-5c1c23f3560d
Part 2.3：監督學習III.。非參數學習：k近鄰，決策樹，隨機森林。并介紹交叉驗證，如何調參和模型融合。
https://medium.com/machine-learning-for-humans/supervised-learning-3-b1551b9c4930
Part 3：無監督學習。聚類：k-means，層次聚類。降維：主成份分析法(PCA)，奇異值分解(SVD)。
https://medium.com/machine-learning-for-humans/unsupervised-learning-f45587588294
Part 4：神經網絡。深度學習的工作原理，以及卷積神經網絡(CNN)，循環神經網絡(RNNs)和實際應用。
https://medium.com/machine-learning-for-humans/neural-networks-deep-learning-cdad8aeae49b
Part 5：增強學習。介紹馬爾可夫決策過程。Q-learning，策略學習，深層增強學習。價值學習問題。
https://medium.com/machine-learning-for-humans/reinforcement-learning-6eacf258b265
附錄：好的機器學習資源機器學習課程資源列表。
https://medium.com/machine-learning-for-humans/how-to-learn-machine-learning-24d53bb64aa1
雖然預測未來有點不現實，但有一件事是肯定的：2017年是了解機器如何思考的好開始時間。
人工智能比本世紀的任何其他創新都來得更猛，而它也將更有力地塑造我們的未來。
在這個技術統治的世界里，任何不了解它的人，會很快發現自己落..伍...了...他會對即將到來的魔法世界，呈一臉懵逼狀。
在經歷了過去四十年的幾番AI停滯和發展周期之后，數據的爆發和算力的提升讓人工智能終于突破了瓶頸。
2015年，Google訓練了一個對話機器人(AI)，不僅可以作為技術支持與人進行交流，還可以跟人討論道德問題，表達意見和回答一般性的基于事實的問題。
同年，DeepMind開發出一個程序，僅以像素和游戲得分作為輸入，在49局 Atari游戲中超越人的表現。
不久后，DeepMind再次實現自我超越，發布一款名叫A3C的新的前沿游戲算法。
與此同時，AlphaGo擊敗了世界頂級圍棋選手，這是繼機器征服國際象棋后，歷經二十年時間，再次在以人類為主導的游戲中大獲全勝。
許多圍棋大師不理解，為什么一臺機器能掌握這個古老的中國戰略游戲，機器怎么可能掌握其中的精髓和復雜，在101??個可能的布局中大敗人類。要知道，宇宙中原子的數量也就 10??。這太不可思議了。
2017年3月，OpenAI用自己發明的語言開發機器人，有效地實現了自己的目標。不久之后，Facebook成功訓練了會談判甚至說謊的機器人。
2017年8月11日，在多人在線游戲Dota 2的1v1比賽中，OpenAI擊敗世界頂尖游戲選手人士，這又讓好一波人受到了驚嚇。
如今在醫療領域，AI可用于為癌癥患者設計循證治療計劃，用于實時分析醫學檢測結果，并用于藥物發現。（小編注：可參考AI科技大本營此前編譯的一篇文章《一文講述人工智能在醫療行業的九個落腳點，讓你更懂AI》）
（小編多一句嘴：作者會在本系列的5個章節中，深入探討這些技術背后的核心機器學習概念，并教你利用工具構建類似應用程序。）
人工智能主要是研究能感知周圍世界、制定計劃、并做出決策以實現其目標的機器人。其所需要的基礎包括數學、邏輯、哲學、概率、語言學、神經科學和決策理論。許多領域都屬于AI，如計算機視覺，機器人，機器學習和自然語言處理。
機器學習則是人工智能的一個子領域。它的目標是讓計算機自己學習。機器學習算法使其能夠在數據中識別模式，從而構建模型，而不是利用預定義的規則進行預測。
其實，上述討論的例子，盡管會讓人一驚，但都屬于弱人工智能(ANI)，不過它確實能高效解決特定任務。
我們一直在為強人工智能(AGI)做一些基礎性的推進工作。AGI的定義是一種能執行人類所要求的各類復雜任務，包括在不確定情況下進行學習、規劃和決策，用跟人類一模一樣的語言方式進行交流、講笑話，指揮股票交易或自己編程。
會自己編程，這一點尤為關鍵。一旦我們創造了一個能自我改進的AI，它將會以一種循環遞歸的方式進行自我完善。這預示著，我們將在未來的某個時期，將進入到一個智能爆炸的時代，
超智能機器可以超越任何人的智力活動。由此可以推出，設計這臺超智能機器是人類智力活動之一，超智能機器大于人類的智力活動，那超智能機器可以設計出更好的機器。
如此一來，將會產生智力爆炸，遠遠超過人類的智力大爆炸。
可以這么說：臺超智能機器是人類后的一個發明。
下圖被稱為奇點。該術語借用于發生在黑洞中心的引力奇點，一個無限擁有無限密度的一維點。在這里，我們慣常理解的物理定律已無法適用。
我們對黑洞里面到底是如何的一番景象完全搞不清楚，因為沒有光線可以逃脫這個黑洞。
同樣，在我們解鎖AI的自我改進能力之后，我們也沒有辦法預測將會發生什么。
正如用于人類實驗中的小白鼠，它永遠也不知道人類在對自己做什么，它只能膚淺地理解為人類在幫他們獲得更多的奶酪。
近，人類未來研究所發表了一份調查報告，該報告調查了AI研究人員對實現AGI時代的預測。
研究人員認為在45年后，AI有50%的勝算超過人類。當然，有人說時間更長，有人說已經沒幾年了。
超人工智能的出現，對人類到底是件好事還是壞事？
先不做好壞的預測，而是談一個很實際的問題：我們怎么能用一種對人類友好的方式，來指定AI做我們想讓他做的事情呢？
這可不是拍腦袋，借助哲學抽象概念或其他形象比喻來理解和學習AI。而是，我們必須深入其中，了解機器世界的內部細節—它們到底“想要什么“，它們潛在的偏見和弱點到底有哪些——正如我們研究心理學和神經科學，以了解人類如何學習、決策、行為和感知這樣。
有關AI的復雜性和高風險的問題，將在未來幾年內越來越多引發人們的注意。不少問題亟待解決：
我們如何應對AI 在現有數據集中顯而易見的系統性偏見傾向？
世界上強大的技術人員關于人工智能潛在風險和利益的根本分歧應該如何看待？
在一個沒有工作的世界中，人類的使命感如何？
機器學習是通用人工智能的核心，同時也將改變每一個行業，并對我們的日常生活產生巨大的影響。這就是為什么我們認為了解機器學習是值得的。至少在概念層面上，我寫這些系列文章比較適合入門，不會有一種一來就將人拒之千里之外的感覺。
你不一定要把整個系列全部讀完，這里我有三個建議，具體還得取決于你的興趣和時間。
1. T型方法。從頭到尾閱讀。并在每一節做總結。這種方式會讓你能更積極主動地閱讀，并且不容易遺忘。為了深入了解你感興趣的內容，我們將會在每個部分的末尾提供一些參考資料供你拓展。
參考: Feynman technique
地址：https://mattyford.com/blog/2014/1/23/the-feynman-technique-model
2. 專注方法。直接閱讀你感興趣的部分。
3. 80/20 法則。大概瀏覽全部內容， 對主要概念做筆記即可，并理解它。
對于80/20法則，可參考：
https://www.thebalance.com/pareto-s-principle-the-80-20-rule-2275148
關于本系列文章作者的簡介：
Vishal近在Upstart任職，這是一個利用機器學習來定價信貸，借貸過程自動化和獲取用戶的貸款平臺。他的研究主要基于如何思考創業，應用認知科學，道德哲學和人工智能的倫理學。
Samer是UCSD的計算機科學與工程碩士生，Conigo Labs的聯合創始人。在畢業之前，他創立了TableScribe，這是中小型企業的商業智能工具。他花了兩年的時間為麥肯錫的財富100強企業提供咨詢服務。Samer曾經在耶魯大學學習計算機科學與倫理學，政治學和經濟學。
兩人的目標是，鞏固自己對人工智能，機器學習的理解，以及深入了解它們之間的融合方式 ，并希望在此過程中創造值得分享的東西。
本站文章版權歸原作者及原出處所有 。內容為作者個人觀點， 并不代表本站贊同其觀點和對其真實性負責，本站只提供參考并不構成任何投資及應用建議。本站是一個個人學習交流的平臺，網站上部分文章為轉載，并不用于任何商業目的，我們已經盡可能的對作者和來源進行了通告，但是能力有限或疏忽，造成漏登，請及時聯系我們，我們將根據著作權人的要求，立即更正或者刪除有關內容。本站擁有對此聲明的最終解釋權。
