本文作者是從互聯(lián)網(wǎng)產(chǎn)品經(jīng)理轉(zhuǎn)型成了AI工程師，其文章特點是能通過簡單有趣的文字介紹AI技術(shù)概念。本文是他的第一篇文章，以饗大家。

Hello，World！

這是我的第一篇文章，如果你還沒系統(tǒng)地學(xué)習(xí)過AI算法相關(guān)知識，它應(yīng)該能夠讓你對AI有些新的認知和理解、多些信心，至少你不會再覺得AI是那么高不可攀、遙不可及，相反，AI是普通人也可以理解、學(xué)習(xí)和實現(xiàn)的。

大概可以用以下幾個標(biāo)簽簡單概括我：前互聯(lián)網(wǎng)產(chǎn)品經(jīng)理、大學(xué)學(xué)渣、非計算機專業(yè)、不懂編程，可以說是除了瞎逼逼，啥也不會…

跟點進這篇文章的你一樣，我最開始也是驚嘆和憧憬于AI的神奇?zhèn)ゴ鬅o所不能，馬上就要改變世界取代人類啊~

不一樣的可能是，我當(dāng)時腦子一熱：放棄數(shù)年的產(chǎn)品經(jīng)驗，開始自學(xué)編程（python）和AI實現(xiàn)算法（傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)算法），走上轉(zhuǎn)型AI之路。

最開始決定轉(zhuǎn)型其實也是蠻糾結(jié)的，初期在網(wǎng)上看到經(jīng)驗分享，感覺機器學(xué)習(xí)的門檻真的是高的一逼啊。

文章中各種出現(xiàn)高等數(shù)學(xué)、線性代數(shù)和概率論的東東， 把我這個學(xué)渣嚇得瑟瑟發(fā)抖…..

某個周六晚上，在酒吧里喝掉幾杯啤酒后，借著酒意我做出了決定：搞，是個坑我也跳了…請稍稍腦補不懂編程還是學(xué)渣的我當(dāng)時那種略帶悲壯而又自我感動的狀態(tài)！

然后就開始苦哈哈地補高數(shù)、線代、概率論，苦哈哈地學(xué)python編程，苦哈哈地看Andrew Ng、Peter Harrington、Siraj等一眾大神的書籍視頻學(xué)習(xí)機器學(xué)習(xí)….

苦哈哈的狀態(tài)持續(xù)了一段時間，隨著學(xué)習(xí)的推進，慢慢我也可以熟練地使用python寫算法寫腳本，傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)中的經(jīng)典常用算法，也基本都算學(xué)習(xí)和實踐過了。

我得到的結(jié)論是：傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)的門檻并沒有那么高，至少是以算法工程師為主要需求的“工程應(yīng)用領(lǐng)域”的門檻，是沒有那么高的。

網(wǎng)上確實有很多不錯的資料，但總是充斥著較多的數(shù)學(xué)、生澀的描述，其實并不是很適合作為小白的我們（請大牛自動屏蔽哈）入門。

作為毫無技術(shù)背景從零開始入門機器學(xué)習(xí)的產(chǎn)品經(jīng)理，我或許更能理解同為小白的你的痛點和需求，我自己的公眾號“小白AI之路”的初衷，也是希望能夠通過更有趣、更直觀、更少數(shù)學(xué)的方式跟零基礎(chǔ)的童鞋共同學(xué)習(xí)AI相關(guān)知識。

叨逼叨結(jié)束，下面進入正題，快！上車吧！AI可以很簡單！

一、讓我們先來說說“AI是什么”

首先，我們先來界定接下來所要討論的AI的定義和范疇。

AI是Artificial Intelligence的縮寫，中文是大家廣知的“人工智能”。 AI可以理解為讓機器具備類似人的智能，從而代替人類去完成某些工作和任務(wù)。

很多小伙伴對AI的認知可能來自于《西部世界》、《AI》、《超能陸戰(zhàn)隊》、《機器人總動員》、《超能查派》等影視作品，這些作品中的AI都可以定義為“強人工智能”，因為他們能夠像人類一樣去思考和推理，且具備知覺和自我意識。

但強人工智能在現(xiàn)實中的發(fā)展基本處于停滯狀態(tài)，目前AI的研究和應(yīng)用基本都集中在“弱人工智能”領(lǐng)域，弱人工智能可以理解為機器看起來像是智能的，但并不會具備知覺和意識。

弱人工智能領(lǐng)域的AI實現(xiàn)，可以分為兩種方式：

• 一種是通過對相關(guān)規(guī)則進行編程，讓機器能夠按照程序中存在的邏輯處理特定任務(wù)，從結(jié)果來上看機器是智能的；
• 另一種是我們不給機器規(guī)則，取而代之，我們喂給機器大量的針對某一任務(wù)的數(shù)據(jù)，讓機器自己去學(xué)習(xí)，繼而挖掘出規(guī)律，從而具備完成某一任務(wù)的智能，這種方式，也就是我們今天的主角——機器學(xué)習(xí)。

不好理解？舉一個簡單的例子，如果我們需要讓機器具備識別狗的智能：

• 第一種方式意味著，我們需要將狗的特征（毛茸茸、四條腿、有尾巴…）告訴機器，機器將滿足這些規(guī)則的東西識別為狗；
• 第二種方式意味著，我們完全不告訴機器狗有什么特征，但我們喂給機器10萬張狗的圖片，機器就會自個兒從已有的圖片中學(xué)習(xí)到狗的特征，從而具備識別狗的智能。

此狗以一根火腿腸的身價友情出境…

AI可以說是跟機器學(xué)習(xí)緊密聯(lián)系在一起，那我們在來說下我們今天的主角——機器學(xué)習(xí)。

首先，機器學(xué)習(xí)從模型層次結(jié)構(gòu)的角度可以分為淺層學(xué)習(xí)和深度學(xué)習(xí)，簡單介紹下兩者：

（1）淺層學(xué)習(xí)（Shallow Learning）

淺層學(xué)習(xí)與深度學(xué)習(xí)（Deep Learning）相對，它的模型層次較淺，通常沒有隱藏層或只有一層隱藏層。

淺層學(xué)習(xí)常見的算法有線性回歸、邏輯回歸、隨機森林、SVM、K-means、RBM、AutoEncoder、PCA、SOM等等。

隱藏層什么鬼？這些算法什么鬼？沒關(guān)系，能記上一兩個名字很好，暫時記不住也沒關(guān)系，我們以后會撿重要的來講。

淺層學(xué)習(xí)算法可以做一些預(yù)測、分類、聚類、降低數(shù)據(jù)維度、壓縮數(shù)據(jù)和商品推薦系統(tǒng)等工作。

（2）深度學(xué)習(xí)（Deep Learning）

深度學(xué)習(xí)的“深”是因為它通常會有較多的隱藏層，正是因為有那么多隱藏層存在，深度學(xué)習(xí)網(wǎng)絡(luò)才擁有表達更復(fù)雜函數(shù)的能力，也才能夠識別更復(fù)雜的特征，繼而完成更復(fù)雜更amazing的任務(wù)。

令很多童鞋驚嘆“AI無所不能，馬上就要改變世界、取代人類”的領(lǐng)域，基本都跟深度學(xué)習(xí)有關(guān)系。

目前深度學(xué)習(xí)的研究和應(yīng)用，主要集中在CNN和RNN；跟著我狠狠地把這些名詞記下來（至少縮寫要記下來哈），他們會成為后續(xù)文章介紹的重點。

CNN為Convolutional Neural Networks的縮寫，也就是卷積神經(jīng)網(wǎng)絡(luò)，目前是計算機視覺、圖像分類領(lǐng)域最主要的算法，當(dāng)然也有人將它應(yīng)用于自然語言處理領(lǐng)域。

接下來舉些CNN應(yīng)用場景的例子，讓大家有個較直觀的印象：

1）前兩年大火的Prisma可以將機器學(xué)習(xí)名畫的風(fēng)格并遷移到新的圖片上，比如這張白發(fā)女咖啡杯圖：

2）深受妹紙喜愛各種美顏相機的濾鏡，也是會用到人臉檢測，用上之后感覺自己萌萌噠，額…這個好像是個可愛的男孩子…

3）交通監(jiān)控視頻識別來往車輛的車型，目前有些公司的產(chǎn)品還可以識別車牌號：

4） 商場監(jiān)控視頻能夠識別人臉，順便還能根據(jù)已有數(shù)據(jù)判斷這個人是否以前來過商場：

5）當(dāng)下最火的無人車中，無人車需要用計算視覺去觀察和理解這個世界：

RNN為Recurrent Neural NetWorks的縮寫，也就是遞歸神經(jīng)網(wǎng)絡(luò)，基于RNN還衍生出了LSTM（Long-Short-Term-Memerory）和GRU（Gated Recurrent Unit）等一系列算法，這些算法擁有記住過去的能力，所以可以用來處理一些有時間序列屬性的數(shù)據(jù)，在處理語言、文字等方面有獨到的優(yōu)勢。

RNN及其衍生算法可用于語音識別、機器翻譯、合成音樂等等，我們?nèi)匀粊砗唵闻e幾個的例子：

1） 以Siri、小娜、小冰、小度為代表的對話機器人，調(diào)戲Siri讓她bbox和唱歌講段子并不能充分體現(xiàn)你的無聊，下次你可以試試讓Siri和小娜互相對話：

2） 以谷歌翻譯為代表的機器翻譯，不管是文字翻譯還是語音翻譯，都把可以把人類翻譯虐成渣渣：

3） 老羅在錘子發(fā)布會上大吹特吹的能夠以極高準(zhǔn)確率和極快速度將語音轉(zhuǎn)化為文字的訊飛輸入法：

4）有粉絲等不及喬治·馬丁老爺子寫《冰與火之歌》第六部，就自己用LSTM算法學(xué)習(xí)了《冰與火之歌》的前五部后續(xù)寫了第六部，據(jù)說AI這部作品中還揭示了前幾部中埋了很久的懸念：

二、說AI簡單，因為AI本質(zhì)上都是一個函數(shù)

如果你堅持看到這里，你對AI的理解和認知大概率已經(jīng)擊敗了你朋友圈里50%經(jīng)常分享AI將改變世界取代人類的好友們。

此刻你已經(jīng)可以在聊天中用對方大概率聽不懂的CNN、RNN、LSTM等一眾名詞來彰顯你的逼格了。

但是，作為穩(wěn)重踏實、擁有內(nèi)涵、崇尚科學(xué)的新時代好青年的我們來說，這還遠遠不夠，我們總是希望能夠不動聲色、低調(diào)內(nèi)斂、用對方看似都懂實則不懂的東西去裝更高規(guī)格的逼。

接下來，請跟我學(xué)習(xí)下正確的裝的方式：XX，你知道么？其實，AI很簡單，因為AI本質(zhì)上都是一個函數(shù)。說的時候一定要有種云淡風(fēng)輕的狀態(tài)，仿佛吃飯喝水那般自然。

看著對方有點迷離困惑的眼神，這個時候你要貼心去解釋一下，以彰顯你的善解人意，請再次跟我學(xué)：

是這樣的，XX，這其實很好理解，AI其實就是我們喂給機器目前已有的數(shù)據(jù)，機器就會從這些數(shù)據(jù)里去找出一個最能滿足（此處用“擬合”或可提升逼格）這些數(shù)據(jù)的函數(shù)，當(dāng)有新的數(shù)據(jù)需要預(yù)測的時候，機器就可以通過這個函數(shù)去預(yù)測出這個新數(shù)據(jù)對應(yīng)的結(jié)果是什么。

說完之后，請微微抬頭看向遠方，感慨一下：萬物自有其道，人世間多少復(fù)雜的東西到末了還是要歸于純粹啊。

但是，裝逼有風(fēng)險，風(fēng)險請自行承擔(dān)…

其實可能你暫時也沒有太理解，不要慌，我們偷偷繼續(xù)理解一下。

對于一個具備某種智能的模型而言，一般具備以下要素：數(shù)據(jù)+算法+模型，請狠狠地記住這三個詞；記住了這三個詞，AI的本質(zhì)你也就搞清楚了。

這個時候我們再把高冷的貓也請出來，我們來用一個能夠區(qū)分貓和狗圖片的分類器模型來幫助理解這個問題：

“數(shù)據(jù)”就是我們需要準(zhǔn)備大量標(biāo)注過是“貓”還是“狗”的圖片，為什么要強調(diào)大量，因為只有數(shù)據(jù)量足夠大，模型才能夠?qū)W習(xí)到足夠多且準(zhǔn)確的區(qū)分貓和狗的特征，才能在區(qū)分貓狗這個任務(wù)上，表現(xiàn)出足夠高的準(zhǔn)確性；當(dāng)然數(shù)據(jù)量不大的情況下，我們也可以訓(xùn)練模型，不過在新數(shù)據(jù)集上預(yù)測出來的結(jié)果往往就會差很多。

“算法”指的是構(gòu)建模型時我們打算用淺層的網(wǎng)絡(luò)還是深層的，如果是深層的話我們要用多少層，每層有多少神經(jīng)元、功能是什么等等，也就是網(wǎng)絡(luò)架構(gòu)的設(shè)計。相當(dāng)于我們確定了我們的預(yù)測函數(shù)應(yīng)該大致結(jié)構(gòu)是什么樣的，我們用Y=f(W，X，b)來表示這一函數(shù)，X是已有的用來訓(xùn)練的數(shù)據(jù)（貓和狗的圖片），Y是已有的圖片數(shù)據(jù)的標(biāo)簽（該圖片是貓還是狗），聰明的你會問：W和b呢？問得好，函數(shù)里的W（權(quán)重）和b（偏差）我們還不知道，這兩個參數(shù)是需要機器學(xué)習(xí)后自己找出來的，找的過程也就是模型訓(xùn)練的過程。

“模型”指的我們把數(shù)據(jù)帶入到算法中進行訓(xùn)練，機器就會去不斷地學(xué)習(xí)，當(dāng)機器找到最優(yōu)W（權(quán)重）和b（偏差）后，我們就說這個模型是train成功了，這個時候我們的函數(shù)Y=f(W，X，b)就完全確定下來了。然后我們就可以在已有的數(shù)據(jù)集外給模型一張新的貓或狗的圖片，那模型就能通過函數(shù)Y=f(W，X，b)算出來這張圖的標(biāo)簽究竟是貓還是狗，這也就是所謂的模型的預(yù)測功能。

到這里，你應(yīng)該已經(jīng)能夠理解AI的本質(zhì)了。我們再簡單總結(jié)下：不管是最簡單的線性回歸模型、還是較復(fù)雜的擁有幾十個甚至上百個隱藏層的深度神經(jīng)網(wǎng)絡(luò)模型，本質(zhì)都是尋找一個能夠良好擬合目前已有數(shù)據(jù)的函數(shù)Y=f(W，X，b)，并且我們希望這個函數(shù)在新的未知數(shù)據(jù)上也能夠表現(xiàn)良好。

三、AI算法模型的實現(xiàn)可以說是相當(dāng)easy啦

如果你堅持看到這里，那請你為自己打call！因為你對AI的理解和認知應(yīng)該大概率已經(jīng)擊敗了你朋友圈里70%經(jīng)常分享AI將改變世界取代人類的好友們。

接下來我們再往前走一步，簡單說一說實現(xiàn)一個AI模型可以多么簡單，看完后，相信你會信心爆棚的！

其實李杰克（也就是我啦）最早也是抱著異常悲壯各種被虐地心情走進AI的。學(xué)習(xí)大概分為三塊：

1. 學(xué)習(xí)AI第一語言python

這里我要為python瘋狂打call，因為python作為萬能膠水語言能做的事情實在太多，并且..它還異常容易上手。

我大概花了50個小時學(xué)習(xí)了python的基礎(chǔ)語法，然后就開始動手寫代碼去爬小說、爬網(wǎng)易云音樂的評論等等程序。

額…據(jù)說很多人第一個python的爬蟲是去爬不可描述的網(wǎng)站上那些沒穿衣服的可愛的女孩子們的相片…

總之，python是整個過程并不耗精力的環(huán)節(jié)，但是剛開始背記語法確實是無聊無趣的，需要些許的小堅持，給你提個醒喲…

2. 學(xué)習(xí)傳統(tǒng)機器學(xué)習(xí)和深度學(xué)習(xí)相關(guān)算法

這塊算是花費我最多精力和時間的環(huán)節(jié)，看了蠻多的視頻、書籍，還有網(wǎng)上的各種博文，還自己去補了高數(shù)線代概率論相關(guān)知識。

但結(jié)論是，如果你僅僅關(guān)注工程領(lǐng)域?qū)崿F(xiàn)的話，其實很多算法壓根沒有必要用那么數(shù)學(xué)的東西去推導(dǎo)，換種方式你的理解和時間成本會下降很多。我也希望之后能夠用盡可能簡單有趣的方式跟大家分享和學(xué)習(xí)。

3. 算法和模型的實現(xiàn)

最開始我盡可能去理解和推導(dǎo)算法，然后用python代碼去實現(xiàn)算法再train模型，那個時候覺得啊算法還是要吃透啊，代碼能力也要很重要啊，不然你的模型都建不起來啊，小伙砸你要靜下心來慢慢搞啊。

后來，我開始接觸到深度學(xué)習(xí)大殺器——Google的深度學(xué)習(xí)框架Tensorflow，當(dāng)時我的心情是這樣的：

真的是一度有些蛋蛋的憂郁呢，我也算是鼓起了些勇氣、下了些決心、放棄了些機會開始轉(zhuǎn)型的，我還指著靠AI當(dāng)上CEO、迎娶白富美、走上人生巔峰呢。但是…

• 不是說好的有很高的數(shù)學(xué)門檻么？
• 不是說好的很高大上大家都搞不懂的么？
• 不是說好的需要深刻理解算法才能更好train出好model的么？

為什么算法模型損失函數(shù)優(yōu)化方法Tensorflow都內(nèi)置好了，而且只需要異常簡單的調(diào)用就好了？

再后來，我接觸到了Keras，一個基于Tensorflow構(gòu)建的深度學(xué)習(xí)框架，當(dāng)然也有基于Theano的版本（Theano什么鬼，暫時你也可以不用關(guān)心的）。

當(dāng)用Keras寫完第一個模型后我的心情真的是…

如果說Tensorflow是可以把一個模型代碼量大大減少的框架，那么Keras就是讓模型代碼量可以少到掉渣的框架。

剛才跟大家說了那么多貓狗分類器模型，現(xiàn)在就給大家看下這個分類器模型代碼在Keras框架可以少到什么程度！?。?/p>

那么寥寥幾行代碼就把一個擁有著卷積層、池化層和全連接層并且使用Adam這個較高級優(yōu)化方法的深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)寫出來了，你自己感受下在Keras下實現(xiàn)深度學(xué)習(xí)算法模型有多簡單了吧…

有沒有為自己的驚奇發(fā)現(xiàn)感到開心！

寫在最后

“小白AI之路”第一篇文章已經(jīng)快到尾聲了，如果你堅持看到了這里，那大概率你對AI的理解和認知已經(jīng)擊敗了你朋友圈里90%經(jīng)常分享AI將改變世界取代人類的好友們。

接下來我們的目標(biāo)是從剩下的10%里往上爬，我也希望能夠通過更有趣、更直觀、更少數(shù)學(xué)的方式跟大家分享和學(xué)習(xí)AI相關(guān)知識。當(dāng)然我也還是一個AI世界的小學(xué)生，也還在努力地學(xué)習(xí)和奔跑。

如果大家覺得還算有那么一丟丟的收獲并且身邊也有朋友在關(guān)注和學(xué)習(xí)AI的話，請隨肆無忌憚隨意分享哈！

作者：李杰克 ，“AI產(chǎn)品經(jīng)理大本營”成員之一。

本文由人人都是產(chǎn)品經(jīng)理專欄作家?@黃釗?授權(quán)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖由作者提供