吳恩達Quora最新問答：任何人都能成為機器學習專家

吳恩達認為，復現他人發表的結果是一個掌握機器學習非常有效但卻被低估的方式；任何人都能成為機器學習專家，要做的只是不斷學習，讓自己越來越夠格

新智元編譯

來源：Quora

編譯：文強

【新智元導讀】吳恩達剛剛在Quora做了一次最新session，重點回答了如何學習機器學習/深度學習，以及如何從事機器學習方向工作的問題。吳恩達認為，復現他人發表的結果是一個掌握機器學習非常有效但卻被低估的方式；任何人都能成為機器學習專家，要做的只是不斷學習，讓自己越來越夠格。

深度學習泡沫何時會破？

大約100年前關於電力也有很多炒作。那個泡沫現在也還沒破，我們發現電力很有用！

講真，深度學習已經創造了大量的價值——用於網路搜索，廣告，語音識別，推薦系統等等——這些顯然是不會消失的。深度學習，還有更廣泛的其他AI工具（圖模型，規劃，KR等），現在都有一個明確的路徑在引導行業轉型。深度學習的影響將超越科技界。

話雖如此，我認為在核心技術界之外，有一些過分誇張的對「有感知力的AI」（sentient AI）的期望；我也和很多CEO交流過，他們似乎認為AI是所有技術問題的靈丹妙藥。所以，在深度學習中是有一些不必要的泡沫，我希望這些較小的泡沫破掉——在它們有時間發展壯大之前，越早破掉越好。

學完你在Coursera上的機器學習課以後可以做些什麼項目？

想新項目的一個好方法是花時間研究以前的老項目。

大腦很神奇。當你學習一類工作（例如ML項目）的許多例子後，你能學習概括並想出這類問題新的例子。這也是為什麼很多藝術家通過複製大師作品來學習繪畫——如果你參觀美術館，你有時會看到藝術生坐在地板上臨摹牆上展示的藝術作品。同樣，很多研究人員通過復現舊研究論文的結果來學習發明新的演算法。對於我來說，正是因為在不同的公司看到了很多實際的ML案例，我現在才能定期為ML轉型公司找到新的機會。

所以，如果你想知道如何做有趣的項目，閱讀（也許復現）你喜歡的以前的舊項目，你會開始產生你自己的想法。你可以參考我斯坦福大學的學生最近的這個項目：CS 229機器學習最終項目，2016年秋（http://cs229.stanford.edu/projects2016.html）

最後，當你完成一個有趣的項目時，請寫一篇Arxiv論文或博客文章，也許在Github上開源代碼，並與社區分享！這樣，其他人現在可以反過來學習你。此外，你還可以獲得更多的反饋，從而加速你的學習。

除了研究以前的例子，我還花時間和人聊天，包括ML以外的領域專家（例如，我花費了大量時間與醫療保健專家進行交談），這通常會激發新項目在ML和醫療保健等領域。

機器學習的初學者，學完了機器學習和深度學習MOOC，怎樣才能更進一步，提升到一個新的水平，能夠閱讀研究論文，並在行業中有貢獻？

課程是非常有效的學習方式，作為開始很好。學完以後，下面是你可以採取一些額外的步驟：

關注Twitter上的ML大V，看看他們關注哪些研究論文/博客文章等。去看這些論文和文章。

復現他人發表的結果。這是一個掌握ML非常有效但卻被低估的方式。看到很多新的斯坦福大學博士生成長為很棒的研究人員，我可以自信地說，復現他人的成果（不只是閱讀論文）是最有效的方式之一，這樣能確保你了解最新的細節演算法。許多人大步躍進試圖發明新的東西，當然這也值得一試，但實際上發明新東西反而是學習和建立知識基礎比較慢的方式。

當你看完足夠多的論文/博客，並復現足夠多的結果後，很奇妙地，你會開始產生自己的意見和想法。當你自己建立新的東西時，發表一篇論文或博客文章，並考慮開源代碼，與社區分享！這將有助於你從社區獲得更多反饋，並進一步加速你學習的過程。

參加任何其他幫助你學習的活動，如在線比賽，線下討論會，參加（或觀看在線視頻）好的AI/ML/視覺/NLP/語音學術大會，比如ICML，NIPS和ICLR等會議。

找朋友跟你一起做。你可以自己取得很大的進步，但跟朋友交換意見和想法將有助於你學習，並使學習過程更有趣。如果你認識教授，博士生或優秀研究人員，也可以與他們多交流。有時候，我跟Geoff Hinton，Yoshua Bengio，Yann LeCun這些人交流5分鐘就學到一大堆的東西，當然，跟來自我在斯坦福博士的博士生，deeplearning.ai的團隊成員，還有我參觀的各個公司的工程師交流，也能得到很多啟發。

儘管跟朋友有合作很重要，但如果你朋友不同意你的想法，有時候你仍然應該去做，自己嘗試去實現。Geoff Hinton在接受deeplearning.ai採訪中說過類似的話。

我知道的每個世界級的ML研究員都花了很多時間來實現演算法，調整超參數，閱讀論文，以及自己找出什麼有用什麼不起作用。我覺得這種類型的工作也很有趣，希望你也會這樣。

我想從事機器學習相關工作，但不知道自己是否夠格。有什麼檢測的方法嗎？

你肯定夠格的！無論目前的知識水平如何，只要你不斷努力，繼續學習，你就可以成為機器學習的專家，並且有很好的職業發展。

任何對機器學習感興趣的人，請從學習編程開始。當你掌握編程基礎後，可以考慮機器學習課程（比如Coursera的機器學習），然後考慮深度學習專門課程（比如deeplearning.ai）。

再進一步，你可以閱讀研究論文（關注Twitter上的ML大V，看看他們感興趣的論文）。嘗試復現研究論文的結果就更好了。試著去復現他人的結果是掌握AI最有效的方法之一，可惜很少有用。你還可以考慮參加在線ML競賽和學術會議等活動，並繼續閱讀書籍/博客/論文。

你是不是有資格在機器學習領域工作真的不重要——我確定你肯定夠資格！你要做的只是要去學習，讓你越來越適合而已。

數學不好，該掌握哪些數學知識才能學好機器學習和AI？

我認為機器學習中最重要的數學依次是：

線性代數

概率和統計

微積分（包括多變數微積分）

優化

這以後其他的相關度都快速降低。我發現信息理論也有幫助。你可以在Coursera或大多數大學找到所有這些課程。

我認為有機會學習相關數學和機器學習的博士已經減少了，因為機器學習已經變得更偏向經驗（基於實驗），較少理論，特別是深度學習的興起，讓這一趨勢更加明顯。

我在讀博士的時候，很喜歡真實的分析，也研究了微分幾何，測量理論和代數幾何。你如果能了解這些領域當然更好，但如果時間有限，你可以考慮用更多的時間學習機器學習本身，甚至研究一些建立AI系統的其他技術基礎，例如正在建設大型數據系統和如何組織巨型資料庫以及HPC（高性能計算）的演算法。

AI該受管制嗎？

AI作為基本技術不應受到管制。政府阻止你在筆記本電腦上實現神經網路也是不現實的。然而，有的AI應用，例如無人駕駛，是需要監管的。AI在國際對反壟斷（監管壟斷）領域也有新的影響，監管機構尚未對此有深入思考，但他們應該對此有深入探討。

關於人工智慧管制的討論大部分來源於對「有智慧的AI」（sentient AI）或「邪惡殺手機器人」的不理性的恐懼，而不是更深入地了解自己能做和不能做的事情之後的結果。今天的AI還不成熟，處於迅速發展期，任何國家的強硬監管都會阻礙該國的AI發展。

然而，一些人工智慧的應用需要監管來保護個人，並加速其採納進程。汽車行業已受到嚴格監管來確保人的安全，這將有助於整個行業發展。其他領域也相同，包括製藥，軍控，金融市場等。但是，監管應該是針對某一個行業的，並且基於對用例的深思熟慮，以及我們在特定產業而不是基本技術上看到的結果。

政府也可以發揮重要的作用，幫助在不遠的未來那些受AI影響而失去工作的人，例如提供基本收入和再培訓。

最後，AI的興起正在為公司競爭創造新的途徑，各家競相爭奪佔主導權，打擊競爭對手。反壟斷監管機構遠遠不如企業對這一點理解深刻，需要做的還有很多。

我女兒剛剛學會走路，我應該如何讓她準備好迎接15年後的AI世界？我應該教她Python嗎？

是的，請教她編碼。更重要的是，培養她能夠繼續學習的能力。

在CS世界中，我們所有人都習慣於每5年就要跳到新技術和思維模式（互聯網雲移動AI/機器學習），因為新技術以這樣的速度發明。所以，CS人也一直習慣於不斷學習新的事物。

現在CS幾乎感染了所有其他的行業。所以，現在不僅僅是CS世界每幾年都要改變。這就是為什麼現在每個人都需要改變。這就是為什麼能夠持續學習將是你能教你女兒最重要的職業技能。

我也認為（差不多）每個人都應該學習編碼。曾經我們以為是不是不需要每個人都會讀書寫字。是不是只有幾個僧侶能誦經就好了，大多數人不需要讀/寫？是不是只要少數人寫出暢銷書就好了，其他人不需要會寫？我們發現，隨著讀寫能力的提高，人與人之間的溝通變得更好：我們能寫電子郵件，即使讀者只有一個人，這樣也有價值。

今天我們處於一個很少人可以編碼的時代。但是，如果每個人都可以編寫代碼，也許經營一家小商店的夫妻倆可以編寫幾行代碼來定製他們的LCD顯示屏，用於本周的促銷活動；或許丈夫可以寫一個簡單的應用程序，唯一的觀眾將是他的妻子，就像他今天可以發送一封郵件，唯一的讀者是他的妻子一樣。

廣泛的掃盲改變了人與人之間的交流。 現在，人機交流也變得越來越重要，編碼能力將成為可以預見的未來最深層次的人機交流的基礎。 所以，我不同意那些認為世界只需要幾百萬程序員的人；我認為幾乎每個人都應該學習編程，就像幾乎每個人都應該學習閱讀/寫作一樣。

Quora session：https://www.quora.com/session/Andrew-Ng/2?share=ef75ace2#!n=100

【號外】新智元正在進行新一輪招聘，飛往智能宇宙的最美飛船，還有N個座位

點擊閱讀原文可查看職位詳情，期待你的加入~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！