不久前我在Udacity报名了数据分析和机器学习两门纳米课程。之所以对这个感兴趣是因为关注人工智能方面的资讯有一段时间了，觉得这是未来的趋势，希望今后能够在这方面有所成绩。选择纳米课程是因为我觉得它与Udacity的免费教程有些区别：有专业的人员对学习成果进行评估，提供建议。

建立学习社群，能够找到学习伙伴，互通有无。

围绕具体项目开展学习，提供就业方面的指导。

花了钱心疼，必须得学够本才行！

最后一条非常重要！（回头看一下，感觉上面几条非常工整，竟然有广告语的赶脚……）

告别学校很多年，知识全都还给了老师们。浏览了一圈，发现只有数据分析的初级课程对我来说作为入门还不算太难，于是报了名。大概两个星期之后，Udacity又推出新一期的机器学习，这门课程对我的吸引力更大。经过对照我发现数据分析和机器学习两门课程的初级班有很多的内容都是重叠的。比如说描述统计学，Python基础等等，所以我直接报名了机器学习的进阶班。纳米课程对学生学习的时间投入是有一定要求的，通常每门课需要学生每周至少保证投入10个小时。雄心勃勃的我一口气就报名了两门课程，很自信的觉得自己完全能够驾驭得了。本计划工作日下班回家花1.5~2小时学习，周末两天每天4~5个小时，这样就至少能够保证两门课程的最少时间投入。但是经过一段时间之后，才明白自己还是过于乐观了，因为下班之后我会跟老婆一起照顾娃。女儿刚出世不久，虽然有时候很磨人，但是也可爱的要命，每天回家一陪她就完全控制不了时间，结果就是两门课程都全面的落后。对了，需要提一下的是，Udacity的学习社群还是花样蛮多的。通常可以报名两种，一个是通关群，完成一个项目就会被工作人员传送到下一个项目群里，有点打游戏的意思。另一个是互助群，主要针对的是对自控力不是很自信的学员，提供一个10人左右的小团体，配有一名导师，日常任务就是关注学员进度，提醒每个人不要掉队。还会定期开班会，指导项目内容，分享学习心得。为了体验不同的学习效果，我数据分析和机器学习分别报了两个不同的社群。机器学习我报名了互助班，鉴于我遇到的时间上的困难，互助班导师苏尚君给了我很多非常棒的建议。

通过机器学习这门课，我对人工智能领域有了一个比较具体的认识。由于媒体近来对AI领域的热烈推捧，让人觉得科幻小说里的未来世界好像就在眼前。我也让想象力跟着飞了好一会儿，这也很大程度上促成了我下决心投入时间和金钱来学习入门。经过这段时间的学习，我开始重新审视自己对人工智能的认知，因为课程一开始的内容都是些朴素的数学和统计学原理，并没有什么黑科技。为什么人们可以将这些朴素的原理像魔法一样转换成AI各种强大的能力，这中间跨越了多少环节？对我来说，思考这个问题可能要比学会具体某个Python命令的用法更加重要。我可以短时间的学会怎样用Naive Bayes函数实现高精确度的匹配，用Decision Tree来构建预测模型，但是这些技术背后的机理却很难短时间就吃透。思考这些问题花费了我更多的时间，于是更跟不上课程进度要求，所以我可能一直是班里拖后腿的那个人。希望今后能迎头赶上~

总结一下这段时间学习的具体收获：重新梳理了一下描述统计学和推论统计学的知识；

掌握了基本的Python语法，Numpy，Pandas和Sklearn也熟悉起来；

学会用Naive Bayes，Desicion Tree，神经网络等方法建立机器学习模型；

用英文完成了三个项目，Stroop effect，Titanic Survival 和波士顿房价预测，虽然目前工作语言是英文，但是这么用心的写项目报告还是头一回；

搜集了很多机器学习方面的资料，发现了一些有趣的技术博客；

开始使用GitHub，越来越发现自己喜欢写代码，难道说我其实应该是程序猿的命么？才发现自己入错行这么多年，心情很复杂~

这个学习笔记在接下来的半年里每个月都会更新，主要是用来记录自己的点滴进步和心得，如果有幸能让读到的人有所收获，那简直我是幸福！~