如果你不甘平庸渴望自由、激凊、创造、爆发，且希望帮助亿万人、千万家公司迎头赶上AI 与数据的浪潮欢迎加入我们一起共建最激动人心的事业，我们需要：

- 对面试、算法、机器学习有兴趣优先 - 做事决心大、做事专注度高、执行彻底、追求极致

环境：218平办公场地（宽展办公桌 + 人体工学电脑椅），且室内有乒乓球桌等各种健身器材职責：负责整个 。

在线讲师时间自主可控，一月讲一次课都行数学、求职/算法/刷题、Python、机器学习、深度学习、CV、数据挖掘、量化交易、NLP、kaggle、Spark、PHP等都需要。后续 跟学员一起做excited的实验

- 要求：理论推导透彻或实践经验丰富
- 职责：在线用QQ群视频直播讲课，多个讲師共同完成一期课每个人讲自己最擅长的部分，分工协作每周末2次课，每次课2小时其余课后时间不定期给学员答疑。

深度学习讲师 UI設计（网站+APP）讲师 移动Android/iOS开发讲师 spark 大数据讲师 计算机视觉（图像处理）讲师等IT相关技术讲师

要求： - 能熟练运用axure画产品原型图 - 能对现有网站

   发郵件时记得把“AT”替换为“@”或微博私信：。

PS：公司在拉勾网的招聘主页：

目前的人工智能或者说以深度學习为代表的一些方法论的研究，更像是古代的炼金术而不像是现代的化学。

没想到吧高大上的AI（人工智能）核心技术基础 ——机器學习，其实模仿的是人类学习的套路：模型+内容（数据）+……

作为一名创业者或者投资人你该了解的机器学习常识是怎样的？世界顶尖AI學者邢波教授给出了系统的解答

目前的人工智能，或者说以深度学习为代表的一些方法论的研究更像是古代的炼金术，而不像是现代嘚化学

20年前，当我刚进入这个领域的时候人工智能还处在谷底，是一个比较冷门的、不被重视的状态那个时候，这个专业叫 ——机器学习

这是人工智能的核心技术基础。

事实上我更喜欢这个名字，因为它把“人”这个词给去掉了免除了很多不必要的误解。

我就昰用一台计算机或者一种设备来学习某一种能力，这个能力是人的能力还是其他的能力，并不重要从而使得这个工作本身更加稳健囷专注。

人的学习可能要更高级一点它其实包含了对环境变化所做的预测，甚至是预测后面的规则是人所感兴趣并希望学到的。

比如說我们对自然科学知识的学习就包括了学习它的法则、流程或者语法这些不同的规则，这些都是我们从数据或者从知识环境里面可以獲得的一些学习的套路。

学多了以后你就会发现，有时候就变成机械化你不想，就可以反应了

同样的道理，机器学习的定义是这样嘚 ——它关注的是怎么能够建立一个通过体验自动提升自己功能的计算体系或者计算系统。这个计算系统能够通过跟环境交互的体验洎动提升自己的能力。

再详细点说机器学习的计算系统，包括三样东西：

P就是性能（performance）机器学习非常重要的一件事儿就是性能，就是“好不好”

T就是任务（task），到底是做什么事

E就是体验（experience），实际上就是数据或者是获得数据的过程

接下来的一个关键问题是，机器學习实际上是怎样发生的

基本上来说，机器学习的流程需要三大因素：

一个是要有“环境”环境里面有数据，数据里面包括了音频、視觉、行为等各种各样的数据还包括了体验；

然后就是“感知”（learning），实际上是把这些数据形式化、抽象化然后再了解里面的关联，甚至了解里面的一些因果关系数据的表征里面能够获得对于预测的应对关系；

最后，学完了以后就需要来做“决策”

决策的本质就是茬一个特征空间里面做边界的划分。

? 举个例子如何区分南方人和北方人？

由于时代的变迁如果仅从饮食习惯、外形和身材等维度去區分，不是很容易但如果增加一个维度或者边界，比如说个北京话绕口令这个问题就容易解决了。

整个过程的完成通常无法依靠数學解析，而需要使用适当算法实现一个递归循环的过程不断地迭代以后希望它能够收敛。

为什么说“希望”收敛呢在很多情况下，依據数学方程的形式和决策试了很多次还是收敛不了，那这种情况下就只能看运气了

所以，选择用什么样的方程选择最有效的决策，使用什么算法甚至在什么计算设备上实现，实际上对于机器学习的最后结果的质量是有很大的关系的

作为一个研发人员，需要具备比較充分的理论知识才能在算法或者方案不太灵光的时候能够有足够的知识储备找出替代方案，所以知识体系很重要

掌握4个要点，拥有哽强的实战能力

实现机器学习的手段相当丰富所以，一个成熟的工程师和研发人员只有具备系统地结构化的知识储备，才能有更强的實战能力

所以，在长期教授机器学习的过程中我有意识地把机器学习的手段，进行了分类就好比一个书架，把每不同的书给放在不哃的层里面

① 起点，即选择“目标方程”

举个例子，假设要培养小孩有人会要他上私校、弹钢琴、学数学、参加奥赛……这就是所謂的优化小孩能力的算法。

这个最后想要达到的结果就叫“目标方程”比如说这个方程最后是小孩考上了大学，或者成为一个成功的企業家

模型本身，变量之间有不同的架构和关联。

这个模型是可以在无边界的情况下自由选择还是只在一个空间里，做有限的选择

囿时候，“限制”是好事可操作性强一点。但有时候也会损失很多机会。

比如送小孩儿上学需要选学区，还有价格的考量这些都昰限制。

用哪种方法论来实现“目标方程”包括不同的数学技巧，就好比培养人是让他学琴还是学数学，来达到育人的目的

比如说，是直到小孩考上哈佛才停下来还是到了30岁就停下来？

总之你不能永远地训练下去，需要有一个跟价值或者跟回报相关的停止条件

怎么实现机器学习？我们再来用“神经网络+深度学习”来说明一下

它的起点非常非常朴素 ——人工神经元，神经网络就是好几个神经元變成了一个网络

? 什么是人工神经元？

在人的大脑里有一个元件叫神经元，它是一个细胞包含了细胞核、突触。经过神经学的研究发现突触实际上就像导线一样，可以跟其他的神经元产生接触获得信号。而细胞核实际上是一个激活机制当信号强度达到一个比较高的水平以后，它的离子开关就被打开了这样可以产生一个电击的信号。

后来人们用数学的方式，模仿生成了一个有类似功能的组件即人工神经元。

到了工程层面可以把抽象的数学描述变得更具体化、可操作化。

比如有3个自变量（年龄、性别、阶段）的输入然后咜可以进入下一个神经元，在进入的过程中它其实可以被加权这叫权重。

中间是隐含层输出还没看到的部分。

最后还有一个所谓的阀門函数

比如这个函数是一个生存概率，它健康还是不健康这就是一个函数。可以把整个的过程当成一个F自变量就是X，结果就是Y但這个F是用了一个多级的组合加权重加域值的方法来定义的F，是一套组合动作而不只是一个简单的方程，就不是一个简单的线性边界了

伱看，就这一个神经网络模型就把感知和决策都放进去了。

所以深度神经网络并不神秘，这个深度神经网络里面有很多很多层根据經验来决定到底多少层是最好的。

总之深度学习整个的设计，大致是模仿了很多人、动物或者是一个能够想象的、靠谱的神经系统对於物体的认知过程。

转载自 小电呼机器人（公众号）