漫談機器學習入門 - iThome

身為想了解機器學習的開發者，若要瞭解原始碼實現方式，背後數學原理，該如何進入這個領域？我們能以向量運算、矩陣運算、微積分等來思考， ... 移至主內容 文/林信良 | 2021-07-22發表 人工智慧、機器學習、深度學習……這一連串的技術名詞，在近幾年來，接連地冒出，也不斷地出現在我的眼前，相關的文件或書籍，也蜂湧而出，不禁令人好奇，這些東西到底在談些什麼。

在試著接觸相關知識的這段日子，卻總覺得難以將這些知識內化己用，最主要的是在瞭解的過程中，心裡的想法是，在這些領域已經蹲很多年，才是能真正靈活運用這些東西的人。

你憑什麼入門？ 確實地，深度學習等字眼近來會成為熱門，原因之一確實是因為多了許多便利的程式庫或框架，在一些簡單的案例上，可讓人無腦地做出分析、預測之類的動作。

然而，畢竟身為一名開發者，必備的能力之一，就是探索底層，只是我這邊所談到的底層，不單只是程式庫或框架的原始碼探究那麼簡單，而是更進一步地，瞭解原始碼實現的公式，其背後的數學原理、推導過程，以及它們為什麼能夠運作等。

如果只是照著文件或書籍，寫出幾行程式來呼叫程式庫或套用框架，就能辨識數字圖片、對鳶尾花分類等，實在稱不上入門機器學習。

而這也是近期我接觸機器學習以來的感受：對於底層的數學，沒有一定程度的理解，我又怎麼稱得上入門呢？ 「你憑什麼入門？」這問句可以從質疑的口氣來看，如果你從事的開發領域並非與數學為伍，或者寫程式從沒用過邏輯以外的思考，甚至是以「寫程式從來不用數學」自傲的人，對於機器學習相關領域的文件或書籍，基本上是可以直接略過，入門的難度太高了。

「你憑什麼入門？」這問句可以從純粹詢問的角度來看。

機器學習需要理解數學，然而，這需要什麼樣的廣度與深度呢？就廣度來說，機器學習涉及的數學包含了向量運算、矩陣運算、微積分等，就深度而言，則是讓你足以理解程式庫或框架，是以什麼樣的原理及心智模型實作出來。

先習慣用數學來思考 當然，漫無目的地學習這些數學，容易迷失在一堆公式與理論之中，從專門談機器學習的文件、書籍或課程中，一邊累積數學基礎是個方式，但是，這也不容易，因為文件、書籍或課程的內容很難規畫，其內容在理論、程式實作、程式庫與框架之間的平衡，很難拿捏。

例如，每次我看完那些偏重程式庫、框架應用的文件，在辨識數字圖片、對鳶尾花分類的範例之後，總覺得空虛，然而，看理論方面的內容時，又覺得茫然。

而且，在漫長學習這些數學之後，就只為了機器學習，過程應該會滿無趣的；比較好的方式是，先忘了機器學習，試著先解決一些需要數學的任務，這會讓過程有一些正向回饋的成就感，就算最後你還是沒達到機器學習入門，累積起來的數學基礎，在其他任務上也會有用武之地。

以我個人的經驗來說，是在玩弄繪圖、3D建模的過程當中，先累積了對於向量及矩陣運算的熟悉度；但是，我一開始並不是面對問題，就會用向量或矩陣來思考，而是直覺地就用起個別變數、逐一實現為函式罷了；然而，隨著經驗的增加，我發現，一些變數若組織為向量，程式寫來更為簡潔而便利，再隨著累積更多的經驗，我又發現了一些向量可以組織為矩陣，此時，撰寫或運算起來都更加地有效率。

在機器學習中會大量面對向量與矩陣，這是因為要處理的資料往往具備大量的特徵值，若不運用向量與矩陣來組織，無論是在公式撰寫、推導或者程式撰寫上，絕對會是一團漿糊。

在程式開發領域，確實是有些針對程式人的數學書，過去的一些專欄（例如〈程式人的數學書〉）我也談過幾本書籍，如果是針對向量與矩陣談比較多，且具有主題任務的書，我個人推薦的是《TheNatureofCode》，它是基於Processing、使用Java，偏向模擬自然現象。

就撰寫這篇專欄的時間點來說，我又發現一本不錯的新書《MathforProgrammers》，使用Python，從繪圖、3D、物理模擬等任務中，學習向量、矩陣、微積分等理論基礎，最後更來到機器學習入門，像是迴歸、分類、類神經網路等。

數學與程式的心智模型結合 在逐漸習慣用數學思考，用程式碼來解決問題的過程中，慢慢地你會發現，有些程式庫或框架提供了現成的實作，例如，繪圖有2D/3D引擎，物理現象模擬有物理引擎等，在過程中，需要更多花時間摸索的，往往就是這程式庫或框架怎麼使用、它們實現了哪些數學。

有能力的話，從頭至尾自行實現程式庫，此時愛用什麼心智模型就隨個人選擇，但這會花上許多時間，還不見得有效率、具通用性等；若使用的程式庫，各自擁有獨特的使用模型，結合時也會是一大麻煩。

比較好的方式是，從具有技術堆疊而發展出來的程式庫或框架中開始。

以Python來說，使用NumPy會是個不錯的開始，它在陣列方面的功能不在話下，對向量、矩陣也有充分的支援，更重要的是，它提倡的「陣列程式設計」典範，比較接近數學方面的思考方式，而不是程式設計方面，在習慣該典範之後，對數學與程式的心智模型結合上，有很大的幫助。

目前有不少相關的程式庫是基於NumPy而成，像是Pandas、Scipy等，這讓你在需要對資料做更進一步處理時，不用重新適應新的心智模型；如果需要處理圖像，OpenCV的Python介面（opencv-python）也是基於NumPy，因為機器學習常見的處理對象之一就是圖像，認識一下opencv-python，絕對有很大的助益。

我會建議多瞭解在圖像處理中，如何辨識圖像邊緣，例如Laplacian轉換、Sobel運算等，你應該試著去瞭解其背後的數學原理，因為會涉及微分概念，也能從中學到卷積（convolution）的應用。

這會是個漫長的累積過程 如果你在這個過程當中，依然是以機器學習為目標，下一步或許可以試試scikit-learn，基本上，它也是基於NumPy的技術堆疊，可用來做為迴歸、分類、類神經網路的程式庫入門，你可以試著用之前累積下來的數學思考習慣，去理解相關的數學理論基礎。

當然，這會是個漫長的累積過程！即便我已經從繪圖、3D建模中累積了一些經驗，也還是前前後後試了不少途徑，耗費近一年，才終於覺得來到機器學習的門口，在數學基礎書籍的推薦上有點難，我想每個人狀況不同，就我來說，機器學習算是新東西，因此《練好機器學習的基本功》這種以對話為主超級入門書，反而對我是比較有幫助的。

如果你從沒有試著從數學的角度來解決需求，或許要花費更多的時間，才能入門機器學習，這很公平，畢竟真正能靈活運用這些東西的人，在這些領域也花很多年吧！是的，程式庫或框架很方便，然而若不想只會辨識數字圖片、對鳶尾花分類的話，還是必須靜下心來，做好長時間的規畫，並逐步實現學習的過程！ 專欄作者 林信良 因在網路上經營「良葛格學習筆記」（openhome.cc）而聞名，曾任昇陽教育訓練中心技術顧問、甲骨文教育訓練中心授權講師，目前為自由工作者，專長為技術寫作、翻譯與教育訓練。

喜好研究程式語言、框架、社群，從中學習設計、典範及文化。

閒暇之餘記錄所學，技術文件涵蓋C/C++、Java、Ruby/Rails、Python、JavaScript、Haskell等多個領域。

熱門新聞 【微服務架構弱點，遇上超完整DR計畫盲點，連6年SRE老手都失守】SaaS業界近年最大當機事件追追追 2022-05-23 Atlassian四月大當機為何14天才復原？問題出在工程思維DR計畫，缺乏關鍵的顧客視角 2022-05-23 Conti關門大吉、化身成數個新勒索軟體 2022-05-23 Windows11測試新版WindowsSubsystemforAndroid 2022-05-23 解決開源軟體安全將從10大問題面著手，美政府、業者與社群協力提對策，並宣布投入預算 2022-05-22 【資安週報】2022年5月16日至20日 2022-05-21 臺灣積極發展資安職務地圖，促進產官學溝通對焦，新興資安產業版首登場 2022-05-20 歐洲第二版資安指令NIS2即將發布，更多重要中大型產業納入規範 2022-05-22 Advertisement 專題報導 6年SRE老手為何仍大當機14天 【從端到端數位化，邁向以顧客體驗為核心】玉山金控金融即服務戰略2.0 解放政府行動力 DPU走入企業應用 如何當一個稱職的資安長？ 更多專題報導