网络课程学习方法_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
网络课程学习方法
&&网络课程学习方法
阅读已结束，下载本文需要
想免费下载本文？
定制HR最喜欢的简历
你可能喜欢&p&先推荐8门值得学习的好课，再讲讲线上课程的高效学习法。&/p&&p&&br&&/p&&p&&b&1.&/b& &b&人人爱设计&/b&&/p&&p&这是一门趣味性非常强的通识类课程，无论你学的是哪个专业，都建议听一听。一支笔、一个杯子、一张沙发甚至是一座城市都是设计的成果，你会发现有很多以前没有注意到的现象都可以用“设计思维”来解释。老师从生活中的小事入手，教给你如何发现问题、解决问题的方法，带你用全新的视角看世界。讲解深入浅出，适合作为设计知识的入门。&/p&&p&课程链接：&a href=&//link.zhihu.com/?target=http%3A//www.icourse163.org/course/SDU-450001& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&icourse163.org/course/S&/span&&span class=&invisible&&DU-450001&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&&b&2.&/b& &b&心理学与生活&br&&/b&&/p&&p&知乎上有个问题是“各领域有哪些可以称为圣经的书？”在心理学领域，菲利普·津巴多的《心理学与生活》是当之无愧的“学科圣经”。这本书自出版以来，目前已经再版到第19次。但是，作为一本专业书籍，它太厚重，且遍布晦涩难懂的术语，难免会让对心理学感兴趣的新手望而却步。南京大学的陈昌凯老师教授的同名课程对“心理学与生活”进行了全新的诠释，用最生活的语言，教会你最专业的心理学知识，和你一起探索色彩的意义、发现记忆的秘密、揭开人格的面纱、勾勒情感的轮廓、解释人类的行为。适合对心理学感兴趣的同学入门。&/p&&p&课程链接：&a href=&//link.zhihu.com/?target=http%3A//www.icourse163.org/course/NJU-& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&icourse163.org/course/N&/span&&span class=&invisible&&JU-&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&&b&3.&/b& &b&大学计算机——计算思维导论&/b&&/p&&p&有的同学对“大学计算机基础”这门课的印象就是学各种office软件、进制换算、编程入门等等，哈工大战德臣老师的这门课与传统的“大计基”有所不同——它教授的是一种&b&计算思维&/b&。什么是计算思维呢？举几个学习中的例子：从一堆具体问题中找出共同点，这个过程叫“抽象”；把实际问题转化为数学问题，这叫“建模”；你拿到一个课题想办法去寻找解决它的方法，这叫“算法设计”；我们平时用的网易云音乐“每日推荐”，是基于“大数据”……计算机基础并非仅适用于学习理工科的同学，恰恰相反，&b&计算思维是我们认知世界的一种方式&/b&，每个人都应当了解。&/p&&p&课程链接：&a href=&//link.zhihu.com/?target=http%3A//www.icourse163.org/course/HIT-7001& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&icourse163.org/course/H&/span&&span class=&invisible&&IT-7001&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&&b&4.&/b& &b&C语言程序设计进阶&/b&&/p&&p&C语言是一门非常独特的计算机语言，是许多院校计算机相关专业的编程入门课。有些学校甚至把C语言纳入了全校的必修课——包括医学院和文科的同学（比如我SEU），足以见其重要性。C语言被设计得非常贴近底层、贴近硬件，能够准确地反映硬件操作。学完C语言，再去简单地了解一下单片机，你就能做许多有趣的事情了：敲上几行代码，二极管就按照一定的节律忽闪忽闪地亮起来；调整几个参数，电脑鼠就能记住走迷宫的轨迹；加上一个感光元件，有红外接收器的小车就能沿着绝缘胶布贴成的轨迹走下去……&/p&&p&（图为我大二时做的“视觉制导机器人”）&/p&&figure&&img src=&https://pic3.zhimg.com/v2-8bf78aa124b8c185afe14be_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&624& data-rawheight=&351& class=&origin_image zh-lightbox-thumb& width=&624& data-original=&https://pic3.zhimg.com/v2-8bf78aa124b8c185afe14be_r.jpg&&&/figure&&p&课程链接：&a href=&//link.zhihu.com/?target=http%3A//www.icourse163.org/course/ZJU-200001& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&icourse163.org/course/Z&/span&&span class=&invisible&&JU-200001&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&5.&/b& &b&电路&/b&&/p&&p&本课的讲师罗先觉教授是“十五”国家级规划教材《电路（第五版）》的主编，此书在电类专业众学科中堪称经典教材，为多个高校所采用。同时，西安交大电路课程也入选了2004年“国家级精品课程”和2016年“国家级精品资源共享课”。这门课程是电学基础不可多得的优秀资源。非电类专业对电学感兴趣的同学，以及电类专业大一本科生使用。&/p&&p&课程链接：&a href=&//link.zhihu.com/?target=http%3A//www.icourse163.org/course/0806XJTU011-47024& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&icourse163.org/course/0&/span&&span class=&invisible&&806XJTU011-47024&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&&b&6.&/b& &b&沟通心理学&br&&/b&&/p&&p&这门课在中国大学mooc网站“心理学”板块下的热度排名top3，是当之无愧的精品课。课程围绕沟通常见心理问题、行为结构、团队危机管理、社会支持系统四个维度展开，涉及十大经典心理问题：看穿别人的内心是否可能？如何不让责任变成陷阱？为什么你会没来由地发脾气？男性和女性谁更容易内疚？“信物”背后的心理玄机是什么？拖延症是人类的本能吗？为什么我们害怕分离？婴儿心理中的智慧密码是什么？如何避免变成“野蛮心理分析家”？什么样的人攻击性更强？&/p&&p&课程链接：&a href=&//link.zhihu.com/?target=http%3A//www.icourse163.org/course/HIT-& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&icourse163.org/course/H&/span&&span class=&invisible&&IT-&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&&b&7.&/b& &b&财务管理 &/b&&/p&&p&去年年中的时候因为学理财，重新捡起了大学时候辅修过的会计学，把财务管理重新听了一遍。这门课会告诉你关于财务的最基础知识，包括资产负债、风险、会计学基本原理等等，可以帮助大家树立一个关于财富世界运行规律的基本观念。适合想要学习理财（尤其是股票投资）、对财务知识感兴趣的同学。如果听完此课对于财报想要进一步了解的同学，可以继续听对外经贸大学张新民老师的《企业财务报表分析》（网易公开课有资源）。&/p&&p&课程链接：&a href=&//link.zhihu.com/?target=http%3A//www.icourse163.org/course/nthu005-453006& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&icourse163.org/course/n&/span&&span class=&invisible&&thu005-453006&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&&b&8.&/b& &b&博弈论&/b&&/p&&p&工作和生活就是一个不断决策的博弈过程，你每天都必须做出决策。了解博弈论的思想方法，能够让你更客观地审视自己的得与失，在正确的时间里作出正确的决策。知乎上“博弈论”的话题下有人推荐过入门书籍，不过第一次看的话可能会觉得比较难懂。线上课程中讲博弈论的也不少，首都师范大学焦宝聪老师的“博弈论”是其中难能的贵讲的比较有趣的。老师从历史故事和生活小事入手，娓娓道来，进而揭示其中更深层次的原理。&/p&&p&课程链接：&a href=&//link.zhihu.com/?target=http%3A//www.icourse163.org/course/CNU-& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&icourse163.org/course/C&/span&&span class=&invisible&&NU-&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&看到这里是不是已经心动了呢？仿佛已经看到一大波知识在向自己招手。但是，参加线上课程有一个最大的挑战——听老师课堂亲授，尚且有不理解、概念含混的地方，只是听网课，又如何能够保证自己的学习质量呢？&/p&&p&&br&&/p&&p&这里重点讲解两处针对线上学习的方法法——&b&如何在没有人监督的情况下认真学习；如何确保知识的有效吸收&/b&。其他的方法与线下学习类似，大家可以参照我的历史文章。&/p&&p&&br&&/p&&p&&b&1.如何在没有人监督的情况下认真学习&/b&&/p&&p&我之前在&a href=&https://www.zhihu.com/question//answer/& class=&internal&&&span class=&invisible&&https://www.&/span&&span class=&visible&&zhihu.com/question/2088&/span&&span class=&invisible&&3403/answer/&/span&&span class=&ellipsis&&&/span&&/a&一文中有写过保持长时间专注的方法，其中很重要的一点是“远离干扰源“。&/p&&p&&br&&/p&&p&如果你把手机放在桌面上就忍不住去看它，那么很简单，把它放到远离视线的地方。比如出去上自习的时候不要带手机，或者只带一个老人机；如果留在宿舍学习的话，那就把手机扔掉自己很难够到的地方（比如宿舍是上床下桌，就把手机扔到床上）。&/p&&p&&br&&/p&&p&对于线上课程来说，还有一个来自互联网的诱惑。如果有两台电脑可以学习的话，专门用来听网课的那台电脑上，除了办公软件和浏览器之外不要安装任何内容；如果只有一台电脑，那么听课的时候记得把聊天软件、游戏等统统退掉，网页上只留学习的内容。&/p&&p&&br&&/p&&p&学习的时候一边听课，一边做笔记。最好是用纸质笔记本。当笔在纸上划过的时候，注意力也会随之而动。电子设备播放的声音本来就缺乏课堂上身临其境的感染力，如果只是单纯地听课而不做笔记的话，注意力很容易抛锚。&/p&&p&&br&&/p&&p&&b&2. 如何确保知识的有效吸收&/b&&/p&&p&线上课程的优点之一就是课件资源获取方便，但这样也很容易产生能力错觉。随手截一下屏，就觉得自己似乎已经懂了，其实并不是这样的。如果这些课也像现实中的专业课一样有严格的考试，你很快就发现自己“感觉啥都会，一考啥都不会“。&b&想要真正掌握一个知识点，必须要经过刻意练习的过程&/b&。即持续关注重难点、攻克重难点，通过测试来巩固学习效果，加强记忆的存储和提取强度，同时得到及时有效的反馈。&/p&&p&&br&&/p&&p&在这个过程中，可以充分利用网络学习平台的资源。以中国大学MOOC为例，其中最具特色的是“互评作业”环节，即的任何课程每一个单元结束后都有一次作业，学生必须在有效期内完成作业，并且批改5个同学的作业，自己的作业才会被批改。心理学上有一个术语叫做“生成效应”，意思就是知识只有经过大脑的加工才能真正成为自己的。在批改其他同学作业的过程中，学生能够发现自己做作业过程中存在的问题，同时也拓宽了学生对于同一问题的不同思考角度。&/p&&p&&br&&/p&&p&每一个章节结束以后会有一次章节的大作业，这个是由老师批改的。老师会根据学生对于某一章节的掌握情况来决定进度，确保大部分与课的同学能够消化课程内容。&/p&&p&&br&&/p&&p&课程还设置有讨论区，对关于某个课程学习过程中的问题在讨论区进行提问，会有其他同学和授课老师答疑解惑。&/p&&p&&br&&/p&&p&关注、反馈、攻克重难点，三个维度的学习流程共同构成了刻意练习的闭环结构。&/p&&p&&br&&/p&&p&另外还有一个适用于复习的好习惯——截屏保存。给每门课专门建一个文件夹，然后按章节、作业、错题本建文件夹。当你在批改其他同学的作业时发现有和自己不一样的见解，或者在讨论提问区发现有哪些自己没想到、但别人想到的内容时，可以再针对某一道题、某一知识点建个文件夹，把相关内容打包收好。然后在课程最外层的文件夹里用思维导图画一张层级目录，方便日后查找。如果方便的话，把这些思维导图打印出来，方便日后复习使用。&/p&&p&&br&&/p&&p&但是请注意，截屏保存仅限于归纳梳理知识点，并不能取代完成作业与测试的过程。&/p&&p&&br&&/p&&p&前面推荐的8门课都可以在中国大学MOOC网站中找到（敲重点！都是免费的），当然，还有更大的世界等待你去发掘。&/p&&p&&br&&/p&&p&祝大家学习愉快~&/p&
先推荐8门值得学习的好课，再讲讲线上课程的高效学习法。 1. 人人爱设计这是一门趣味性非常强的通识类课程，无论你学的是哪个专业，都建议听一听。一支笔、一个杯子、一张沙发甚至是一座城市都是设计的成果，你会发现有很多以前没有注意到的现象都可以用“…
&figure&&img src=&https://pic2.zhimg.com/v2-f230e4eac4fa62adfb87a85_b.jpg& data-rawwidth=&2500& data-rawheight=&1606& class=&origin_image zh-lightbox-thumb& width=&2500& data-original=&https://pic2.zhimg.com/v2-f230e4eac4fa62adfb87a85_r.jpg&&&/figure&&p&2017年11月，著名内衣品牌维多利亚的秘密首次将一年一度全球大秀搬到了上海，55位模特，包括14位天使和7位中国／华人模特确实让整个上海滩都沸腾了一把。&/p&&p&其实维密想要进驻中国市场的心思早在2016年就表现出来了，去年伦敦大秀的开场，模特Elsa Hosk背着一条巨龙开启了中国风环节，也展现了品牌的野心。维密更是在11月正式入驻天猫。之后的2017年，维密又在中国开播了一档选秀节目-天使之路，通过长达几个月的预热，为上海的大秀攒足了期待值。&/p&&p&与持续高涨的话题度相比，外界对维密的销售成绩却是一片唱衰，在网上随便搜一下关于维密的新闻，除了模特的八卦之外，就是各种“维密销售令人失望”，“性感营销全面失效”，“维密母公司业绩连续下滑”，也正是在这种背景下，维密把大洋对岸的中国看成了最后一根救命稻草。&/p&&p&那么在大秀的热度散去之后，维密在华的销售情况到底怎么样？是否遭遇了水土不服？中国市场能拯救这个已经40岁的性感品牌吗？&/p&&figure&&img src=&https://pic1.zhimg.com/v2-6e1f90cd34deab393f0dbf9_b.jpg& data-size=&normal& data-rawwidth=&1200& data-rawheight=&1658& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic1.zhimg.com/v2-6e1f90cd34deab393f0dbf9_r.jpg&&&figcaption&Elsa Hosk在2016年维密秀。来源：vogue.com&/figcaption&&/figure&&p&&b&一、文胸市场发展迅速&/b&&/p&&p&维密的主营业务包括了&b&普通文胸&/b&，&b&运动文胸&/b&，&b&运动服饰&/b&，&b&家居服饰&/b&和&b&彩妆香水&/b&等多个品类，我们的讨论将主要关于&b&普通文胸&/b&。由于维密在2017年二月才开设了首家售卖文胸的直营旗舰店，而且目前直营旗舰店数量也很少，所以我们选取了天猫的销售和评论数据做为数据来源。&/p&&p&首先，让我们了解一下天猫文胸市场的现状。天猫上文胸相关的品类包括五种：&/p&&ul&&li&普通文胸&/li&&li&文胸套装&/li&&li&哺乳文胸&/li&&li&运动文胸&/li&&li&情趣文胸&/li&&/ul&&p&&b&从整体来看，文胸市场发展迅速，潜力巨大。&/b&&/p&&p&相比2016年，2017年天猫文胸市场整体销售额上涨了54%， 品牌数从2000多个增加到了2500多个。另外据报道，相比欧美女性每年在内衣上花费占全部衣物的20%-30%相比，中国女性在在内衣上花的钱仅占5%，但这一数字正在不断增长。据Euromonitor预计，中国内衣市场正在以每年20%以上的速度发展，到2020年可以达到330亿美元，中国女性在文胸上投入的钱越来越多了。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-92eef26e10_b.jpg& data-size=&normal& data-rawwidth=&1532& data-rawheight=&592& class=&origin_image zh-lightbox-thumb& width=&1532& data-original=&https://pic1.zhimg.com/v2-92eef26e10_r.jpg&&&figcaption&文胸品类占比&/figcaption&&/figure&&p&&b&从品类角度看，普通文胸市场占比最高，运动文胸和情趣文胸爆发式增长&/b&。&/p&&p&2017年，普通文胸（普通文胸+文胸套装）的市场占比达到89%，其次是哺乳文胸。而市场占比最小的两个品类，运动文胸和情趣文胸，在2017年有着相当强势的增长，增长率分别达到了1063%和968%。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-b9f48d4fb916daff228fb703bb015f9f_b.jpg& data-size=&normal& data-rawwidth=&1532& data-rawheight=&592& class=&origin_image zh-lightbox-thumb& width=&1532& data-original=&https://pic1.zhimg.com/v2-b9f48d4fb916daff228fb703bb015f9f_r.jpg&&&figcaption&2017文胸品类增长率&/figcaption&&/figure&&p&那么在这样的背景下，维密做的怎么样呢？&/p&&p&&b&二、维密在天猫销售情况良好&/b&&/p&&p&实际上，单从销售曲线来看，与外界的唱衰不同，维密过去一年的成绩相当好。自天猫开店以来，维密的销售额和市场份额都一路走高，2017年，维密在文胸品类天猫销售额&b&排名第十一&/b&，在运动文胸类天猫销售额&b&排名第三&/b&，仅次于运动巨头Nike和专做女性运动服饰的Lorna Jane。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-d06c77295fbbfa31de9aac_b.jpg& data-size=&normal& data-rawwidth=&1532& data-rawheight=&592& class=&origin_image zh-lightbox-thumb& width=&1532& data-original=&https://pic3.zhimg.com/v2-d06c77295fbbfa31de9aac_r.jpg&&&figcaption&维密销售额与市场份额曲线&/figcaption&&/figure&&p&&b&三、维密产品布局与市场趋势差异显著&/b&&/p&&p&具体到产品，普通文胸按照有无钢圈，有无插片，罩杯厚度，搭扣排数，肩带款式等，可以分为多种类型。现在80%左右的文胸都是无插片款式，搭扣排数和肩带款式与文胸的功能性相关度更高，所以，我们选取了最影响穿戴舒适感和视觉效果，同时也是女性购买文胸首先会考虑的两个角度：&b&有无钢圈&/b&及&b&罩杯厚度&/b&，来做更进一步的探究。&/p&&p&钢圈和罩杯厚度可以组合出六种细分品类，分别是：&/p&&ul&&li&无钢圈厚款&/li&&li&无钢圈薄款&/li&&li&无钢圈超薄款&/li&&li&有钢圈厚款&/li&&li&有钢圈薄款&/li&&li&有钢圈超薄款&/li&&/ul&&p&考虑到我们众多的钢铁直男读者，这里要简单解释一个概念，无钢圈超薄款多指bralette，它们中很多长图一这样，没有任何承托作用，在国外很多人直接将这种文胸作为搭配穿在外面，而其它几个品类大多长图二这样，只是厚度不同而已，我们在这里将它称为传统款式。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-d12c09abd10f9d5b4fb8ad_b.jpg& data-size=&small& data-rawwidth=&614& data-rawheight=&726& class=&origin_image zh-lightbox-thumb& width=&614& data-original=&https://pic4.zhimg.com/v2-d12c09abd10f9d5b4fb8ad_r.jpg&&&figcaption&图一：无钢圈超薄款bralette。来源：维密天猫旗舰店&/figcaption&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-b0a3dedc1eaae534e9282d8_b.jpg& data-size=&small& data-rawwidth=&626& data-rawheight=&836& class=&origin_image zh-lightbox-thumb& width=&626& data-original=&https://pic3.zhimg.com/v2-b0a3dedc1eaae534e9282d8_r.jpg&&&figcaption&图二：传统款式。来源：维密天猫旗舰店&/figcaption&&/figure&&p&我们统计了不同钢圈和厚度组合文胸的市场份额，与2017年至今维密上架的1000多个文胸类sku进行比较。维密文胸的布局和大盘的市场份额显示出了很大的差异。&/p&&p&我们可以从图中看到：&/p&&ul&&li&&b&传统款式市场依然有压倒性的市场占比&/b&&/li&&li&&b&传统款式中无钢圈款式市场占比不断提升，尤其无钢圈薄款增长迅速&/b&&/li&&li&&b&维密在无钢圈传统款式布局不足，有钢圈的三种款式和bralette占据主要sku&/b&&/li&&/ul&&figure&&img src=&https://pic1.zhimg.com/v2-ce0a6cdbb00fbc5a9bdb_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1532& data-rawheight=&832& class=&origin_image zh-lightbox-thumb& width=&1532& data-original=&https://pic1.zhimg.com/v2-ce0a6cdbb00fbc5a9bdb_r.jpg&&&/figure&&figure&&img src=&https://pic4.zhimg.com/v2-25bb1e4f4fdc1e4ca906_b.jpg& data-size=&normal& data-rawwidth=&1532& data-rawheight=&592& class=&origin_image zh-lightbox-thumb& width=&1532& data-original=&https://pic4.zhimg.com/v2-25bb1e4f4fdc1e4ca906_r.jpg&&&figcaption&六种款式内衣2017销售额增长率&/figcaption&&/figure&&p&2016年和2017年市场占比最大的都是三种不同钢圈厚度的传统款式（即图二），分别是无钢圈厚款，有钢圈厚款，无钢圈薄款。其中无钢圈的两个品类表现出了市场占比的提升，而有钢圈的款式表现出了下降。&/p&&p&但是在来看维密的sku分布，占比top3的比重的分别是有钢圈的两种款式，有钢圈厚款和有钢圈薄款，其次是bralette。&/p&&p&看上去，至少在产品分布方面，维密直接把在欧美的产品线搬到了中国，高达30%产品为超薄款，但这种内衣在市场上仅有6%的市场份额。而在占比最大销售额增长也最快的无钢圈传统款式上，维密几乎毫无布局。&/p&&p&维密对产品看上去相当让人困惑的布局，到底是因为超薄款的销售反响特别好，所以有意为之呢，还是对中国内衣行业把握还不够呢，让我们再来看看消费者的评论。&/p&&p&&br&&/p&&p&&b&四、维密产品评论展现水土不服&/b&&/p&&p&我们抓取了文胸品类top20品牌2017年的所有评论，通过话题提及频率，以及词频与行业基准线的偏移度，得到了维密在文胸行业的感知矩阵。&/p&&p&y轴表示了这个词在维密评论中的提及量，x轴表示了该词的提及量相对行业基准的偏移。也就是说，越靠右的词越意味着差异性越大，越靠上的词意味着提及量越高，所以越靠右上角的词越表示该词重要性高且与行业不同，需要重点关注。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-dfe1f111b8da026843baeb_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1743& data-rawheight=&996& class=&origin_image zh-lightbox-thumb& width=&1743& data-original=&https://pic1.zhimg.com/v2-dfe1f111b8da026843baeb_r.jpg&&&/figure&&p&&br&&/p&&p&我们可以看到，舒服这个词在维密的评论中提及量很高，且行业偏移不大，说明舒适确实是女性购买内衣所考虑的最重要的因素。 而凸点，露点，胸垫这样的词的在维密评论中提及量和偏移度都比较大，说明这个是维密内衣相对行业一个比较独特的点。从尺寸，尺码这两个词在矩阵的位置及右下角出现的多个尺码编号来看，尺寸也是维密买家非常关注的独特话题。另外，我们看到像性感，蕾丝这样的词也高提及且有一定偏移，说明维密的消费者确实收到了维密产品所传达的性感形象。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-1ea9f5adacb438b0b05f40_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1640& data-rawheight=&672& class=&origin_image zh-lightbox-thumb& width=&1640& data-original=&https://pic4.zhimg.com/v2-1ea9f5adacb438b0b05f40_r.jpg&&&/figure&&p&因为性感和凸点的情感倾向较为明显，所以，根据感知矩阵的结果，我们截取了在舒适度，尺码方面的关键词，对评论进行情感分析。可以看到，维密在尺寸上的好评率比平均值要低，但在舒适度上要高于平均值。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-e1dcfed854b3e2e4b4f593_b.jpg& data-size=&normal& data-rawwidth=&1746& data-rawheight=&756& class=&origin_image zh-lightbox-thumb& width=&1746& data-original=&https://pic1.zhimg.com/v2-e1dcfed854b3e2e4b4f593_r.jpg&&&figcaption&维密在舒适度和尺码方面的情感评分&/figcaption&&/figure&&p&总结一下评论的内容：&/p&&ul&&li&&b&维密性感形象通过产品得到了很好的传递&/b&&/li&&li&&b&维密文胸的舒适度令人满意，但尺码不太合适&/b&&/li&&li&&b&消费者对维密文胸凸点的问题非常介意&/b&&/li&&/ul&&p&那么，中国女性到底喜欢什么样的文胸呢？&/p&&p&&b&五、中国女性喜好趋于舒适&/b&&/p&&p&天猫2017年文胸品类top20也许可以说明一些问题，在top20中，有几个品牌的出现非常值得关注，他们专注于舒适性的基本款内衣，营销路线与维密完全相反，但都取得了很好的销售成绩，分别是曼妮芬旗下的加一尚品，优衣库，NEI WAI和南极人。&/p&&p&内外的表现也许体现了中国女性对内衣舒适追求的一个缩影，这个成立于2012年的内衣品牌在2017年11月刚刚完成了7000万元的B轮融资，在短短五年的时间内就成为了天猫销售额top15的品牌。打开天猫旗舰店，内外的产品都是像下图这样的基本款，商品介绍也主打零敏感，无钢圈和舒适。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-348e846ca53a01c2eb1de3_b.jpg& data-size=&small& data-rawwidth=&698& data-rawheight=&1180& class=&origin_image zh-lightbox-thumb& width=&698& data-original=&https://pic4.zhimg.com/v2-348e846ca53a01c2eb1de3_r.jpg&&&figcaption&2017天猫普通文胸销售额top20品牌&/figcaption&&/figure&&figure&&img src=&https://pic2.zhimg.com/v2-328ec931b6e14fe16ab6a1_b.jpg& data-size=&normal& data-rawwidth=&1406& data-rawheight=&726& class=&origin_image zh-lightbox-thumb& width=&1406& data-original=&https://pic2.zhimg.com/v2-328ec931b6e14fe16ab6a1_r.jpg&&&figcaption&内外文胸款式。来源：天猫内外旗舰店&/figcaption&&/figure&&p&&b&六、总结&/b&&/p&&p&总的来说，中国内衣市场正处在蓬勃发展阶段：&/p&&ul&&li&&b&天猫文胸销售额和品牌数都增长迅速&/b&&/li&&li&&b&普通文胸贡献接近90%的销售额&/b&&/li&&li&&b&运动文胸和情趣文胸呈现爆发式增长&/b&&/li&&/ul&&p&从钢圈及厚度的角度来看：&/p&&ul&&li&&b&传统文胸款式（非bralette）依然是主流&/b&&/li&&li&&b&无钢圈文胸，尤其是薄款增长迅速，有钢圈文胸市场正在萎缩&/b&&/li&&/ul&&p&维密作为中国文胸市场的新玩家，截止到目前表现还是不错的，但同时在产品设计和sku布局的问题上也表现出了一些隐患：&/p&&ul&&li&&b&尺码不适合中国女性身材&/b&&/li&&li&&b&中国女性介意凸点问题&/b&&/li&&li&&b&sku分布与市场大势差别明显，在无钢圈传统款式文胸上布局不足&/b&&/li&&/ul&&p&我们认为，维密想要在中国市场分得一杯羹，光靠营销是不行的。很多关于维密在海外市场的分析都表示，维密在海外失利是因为他们错过了好几次内衣潮流，最近的一次是bralette的盛行。在维密进入这个市场时，这个市场已经有了很多包括高街品牌在内的玩家。相对传统内衣，bralette是一个对技术要求不高的低门槛行业。当维密进入时，消费者已经有了自己最喜欢的品牌。&/p&&p&在中国，维密似乎也展现类似的问题，维密还没有把握好中国当下的流行趋势。不知道这是维密没有对中国市场进行深入的了解，还是为了坚持自己的品牌定位，又或者押宝在了中国超薄款内衣未来的发展上。如果是这样，在中国，时尚的超薄款文胸和bralette潮流才刚刚萌芽，维密此时进入确实有一定的优势。但从市场份额和维密的评论来看，中国女性对bralette的接受程度依然不高，bralette将以什么样的速度流行，最终能发展到什么程度都不得而知。如果维密真的是押宝在这个细分品类，很难说是不是一个明智的选择。&/p&&p&就目前的销售情况来看，中国消费者还是对维密的营销比较买账，但想要在中国市场长久的立足下去，挽救全球业务，维密需要克服水土不服问题，带来更有诚意的产品才行。&/p&&p&&br&&/p&&p&文：@&a href=&https://www.zhihu.com/people/ka-ka-26-30/activities& class=&internal&&Ka Ka&/a&&/p&&p&可视化支持: &a href=&https://link.zhihu.com/?target=https%3A//www.wentu.io/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&wentu.io&/a&&/p&&p&更多文章关注：&a href=&https://zhuanlan.zhihu.com/hemingke& class=&internal&&数据冰山-知乎专栏&/a&&/p&&p&&/p&
2017年11月，著名内衣品牌维多利亚的秘密首次将一年一度全球大秀搬到了上海，55位模特，包括14位天使和7位中国／华人模特确实让整个上海滩都沸腾了一把。其实维密想要进驻中国市场的心思早在2016年就表现出来了，去年伦敦大秀的开场，模特Elsa Hosk背着一条…
&p&2017年，是一个割韭菜的年份，如果你没有从市值靠前的100支股票中挑选一支，你就多半是亏损了，今年中证100指数上涨了30%，中证1000指数下跌了18%，市场中有两千三百多支股票下跌，跌幅超过50%的超过百支，这一年，多少血与泪都隐藏在大盘指数的上涨之中，多少笑与钱都作了公募基金的嫁衣，这一年，多少私募和庄家关灯默默吃面，多少入市一两年的朋友又颠覆了一次价值观，突然迷失了往日领悟的真谛。&/p&&p&&br&&/p&&p&每一年，都有新入股市的朋友来询问这支股票如何、那支股票如何，最开始的时候，我还会热心的帮他分析基本面如何，技术走势如何，然后教他如何分析股票，如何看待价值投资和基本面投资，如何控制仓位，不要一直满仓。&/p&&p&&br&&/p&&p&后来，我终于明白了一个亘古不变的道理，”每个人都只愿意相信自己相信的东西“，对于新手来说，所有讲解都是白费，因为他们不了解这个市场，他们眼中处处都是捡钱的机会，自己每选的一只股不久后都大涨了，感叹自己真他娘的是个炒股天才，自己就是第二个巴菲特了，拖家带口冲进涨停板，频繁操作之后发现一无所获，他们容易恐惧，跌幅超过5%，瞬间药丸，割肉清仓。炒股新手不以炒股年限决定，比如一些炒股十几年的大爷，买股全靠眼缘，问他为什么买&b&京东方A&/b&，他说：“京东方是一家特别厉害的公司，你看，连马云都视刘强东为竞争对手，而且，那么年轻漂亮的奶茶妹妹都嫁给他了！！！”&/p&&p&&br&&/p&&p&所以，要想学习如何炒股，你就得明白自己的段位，客观的正视自己的炒股水平是第一步。&/p&&p&我分为小白、青铜、白银、黄金、白金、钻石和王者段位。&/p&&p&&br&&/p&&p&&b&问题一：什么是股票？&/b&&/p&&p&&br&&/p&&p&&b&小白&/b&：如果不能回答这个问题，就是小白无疑了，就算你说不出个对股票的定义，你也得知道股票代表了公司的股权，买股票买公司股价未来的预期。&/p&&p&&br&&/p&&p&刚入市新手一般还是很有自知之明的，知道自己什么都不懂。新手入市，最容易被带偏，因为自己不懂，喜欢请教别人，要是请教的是一个真正懂股票的人还好，奈何炒股的大多都对股市一知半解，越是自己做不好的人越喜欢给别人指教，容易让新手走错方向。对于这一类人群，我建议你先做一下模拟盘，基本上每一个炒股软件都有模拟盘交易，你的重点是理解炒股软件的每一个名词，勤用百度百科，能自己查到的就别去麻烦别人，如果你询问的是一个真大神，你去打听什么是市净率，不亚于马化腾在你面前，你问qq和微信哪个好用一样，浪费学习机会。你得先明白什么是K线，怎么画，你得明白什么是市盈率、市净率，计算公式是怎样的，你得多看两篇新闻，我不说这些新闻有多少价值，但是你至少得看懂里面的每一个名词解释，读起来不费劲。&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-d3eb53cc0ed668cef9d7e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&658& data-rawheight=&272& class=&origin_image zh-lightbox-thumb& width=&658& data-original=&https://pic3.zhimg.com/v2-d3eb53cc0ed668cef9d7e_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-e537f234c1f44d3f141aacaa63d05ded_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&783& data-rawheight=&198& class=&origin_image zh-lightbox-thumb& width=&783& data-original=&https://pic2.zhimg.com/v2-e537f234c1f44d3f141aacaa63d05ded_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&当你理解完所有的指标名词之后，你可以由模拟盘转入实盘交易了，因为对于大多数人来说，模拟盘资金是涨是跌完全没有欣喜和肉痛的感觉，情绪也会不同，学习起来会很缓慢，我常说，牛市入市的人根本不懂炒股，熊市入市才能学到真的东西，亏钱越多，精力投入就会越多。&/p&&p&&br&&/p&&p&&b&问题二：你平均多久换一支股票，你持有几支股票？你的自选股有哪些？&/b&&/p&&p&&br&&/p&&p&&b&青铜&/b&：当你了解了所有指标，并且开始选股之后，恭喜你，股票正式入门了，青铜选手的最大特征就是追涨杀跌，如果你发现你的自选股全是从涨幅排行榜中选的股票（不包含某些特定时期追涨的人，我自己也会），如果你近期格外关注贵州茅台、五粮液、平安银行，并且想要入手，入手后打算赚它5%就撤的，你平均5天以内就换一支股票，十万的资金，你买了20支股票，喜欢一手两手的买卖，别管你是入市一两个月的朋友还是入市几十年的大爷，你应该就是这个段位了。&/p&&p&&br&&/p&&p&青铜选手获得信息的主要来源是朋友，平时喜欢说我一朋友买了这个，最近赚了多少，我一朋友让我关注这个，自己没有一套判断体系，不知道如何判断买点和卖点，容易被别人的观点左右，看到出了了新闻要收房产税就卖掉地产股，看到中铁二局签订了2000亿的订单合同就立即买入，看到股价涨到了前期高点，感觉要跌了就立即卖出。买卖全靠感觉，这类朋友短期还真不容易亏钱，因为偶尔就能抓住一个涨停，再次感叹自己是个天才，一旦入市时间超过半年，会发现自己毛都没有赚到，操作一年之后，普遍亏损超过30%，他们活跃在股吧、论坛和雪球，看到和自己观点不一致的就反驳，喜欢去黑茅台、银行、喜欢去挺乐视、信威等等，喜欢说美国是科技兴国，中国是白酒兴国。&/p&&p&&br&&/p&&p&一般新手都会经历这一个阶段，有的朋友一两个月就跳出了这个段位，有的朋友一辈子也迈不过来。&/p&&p&&br&&/p&&p&&b&问题三：什么是市盈率？什么是市净率？&/b&&/p&&p&&br&&/p&&p&&b&白银&/b&:你或许会问，这不是小白时期就该学的嘛，怎么现在还来问这个。当然，我这里问的可没这么简单，还需要回答一个问题，市盈率是越高越好还是越低越好，如何从市盈率判断公司的价值？如果你随口就能回答这个问题，你应该就迈入了白银的水平。如果你研究了这个问题，代表你有认真的思考过股票的内在价值，如何判断股票涨跌，并且是从基本面的角度来看待股价，如果你说你是做技术分析的，那我只能说，你一个做技术分析的，连这个都不懂，你还做什么技术分析，赶快离开股市回家带孩子吧，还能留个奶粉钱。&/p&&p&&br&&/p&&p&处于这个阶段的朋友已经开始理解技术分析和价值分析的不同了，并理解各自的长处与短处，然后会根据自己的理解补充学习自己的不足，据我观察，大部分朋友会选择学习技术分析，为什么，因为技术分析的门槛简单啊，就看几条线，几个指标，更多的部分是主观猜想，是头猪都会看好嘛，这个阶段，学习技术分析的人会迷信某种指标，初学者喜欢用MACD、布林通道、均线等等。下面这个图，是一些大V和卖方分析师（也可以说是证券分析师）屡次用到的图&/p&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-19dbc29dbd742bdadc7e46d_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1080& data-rawheight=&509& class=&origin_image zh-lightbox-thumb& width=&1080& data-original=&https://pic2.zhimg.com/v2-19dbc29dbd742bdadc7e46d_r.jpg&&&/figure&&p&&br&&/p&&p&&br&&/p&&p&是2014年到2015年9月上证指数的一张图，黄线是30日线，紫线是90日线，他们一般说只用最简单的均线指标就能稳稳赚钱，2014年7月的时候30日线上穿90日线，买入，2015年7月的时候卖出，不管你买什么股，稳稳的赚两倍，有没有很有道理，有没有很简单直接。&/p&&p&&br&&/p&&p&&br&&/p&&p&&br&&/p&&p&但是，你怎么知道2014年就是牛市的起点，你他妈的怎么就知道这里应该用30日线和90日线，11年到14年这里上串下跳了十几次，如果都这样操作的话大概率是亏的裤子都没了，对了，再过几天30日均线又要突破90日均线了，青铜们赶紧上车，晚了就来不及了。&/p&&p&&br&&/p&&p&对了，处于这个阶段的朋友还有一个特点，喜欢跟庄股，喜欢买技术分析的书，他们视《九招教你识破庄股》、《庄股常用的洗盘手法》等书籍为圣经，不断专研，并且说的头头是道，感觉自己就是庄家，指数涨跌全在自己一念之间，这类朋友最容易买st股、退市股和财务造假的股，比如我身边有个朋友买了龙力生物，最近爆出财务造假，他前段时间还一本正经的给我描述了一下这支股票为什么是庄股，现在正在筹划去公司门口拉横幅。&/p&&p&&br&&/p&&p&还有一部分人在这个阶段选择了基本面分析，他们去学习如何看财报，学习如何判断公司的经营，学习判断公司的内在价值，未来现金流，喜欢读格雷厄姆的书，但是实际运用的时候，又无法将学到的知识融会贯通，只能看到表面的经营状况，无法产生联想，不能做出行业的同向对比，上下产业链的整合，也不知道如何利用财务报表，一般的选股时间不超过一个小时，他们一般喜欢抄底，看到市净率只有一点几，买，看到市盈率超过50就觉得风险太大，这类人群一般是想学股市，又不能发奋，永远只能学到皮毛。新手死于追高、老手死于抄底，这个段位的朋友就是老手了。&/p&&p&&br&&/p&&p&&b&问题四：你是如何选股？&/b&&/p&&p&&br&&/p&&p&&b&黄金&/b&：这个段位的朋友，对股市已经有了自己的理解，虽然不能保证盈利，但是已经能够保证不会出现较大的亏损，市场中的炒股高手一般都处于这个水平，由于每个人的研究方向不同，侧重点不同，无法用单一具体问题来涵盖所有投资者，比如擅长技术分析的人士，至少得理解市场中最重要的指标只有两个，价格和成交量，其他一切指标都是由这两个数据算出来的，而且也得明白技术分析的三大基本假设，有一套从选股到建仓、加仓、减仓的技术指标；如果是追涨停板，你得明白追板和市场行情高度相关，知道哪一支股票是上涨的龙头，量价应当如何配合才能最大概率追板；如果你是基本面分析，你得理解公司的经营状况，财务状况，行业地位、业务现状、价值和价格的差价等等；如果是概念炒股的朋友，你得明白冬天买啤酒、淡季买旅游、航空公司的营收是由汇率和油价决定的、地产股一般是按成本法计算价值的，入账确认周期大概有两年等等。处于这个段位的朋友，不管是如何选股，都有一套自己的系统，不会轻易被别人的观点左右，如果一旦放弃了自己的选股系统，或者不再优化学习新的知识立马跌回白银水平，总体来看，这个水平的朋友已经有了一套自己在股市中生存的办法了。&/p&&p&&br&&/p&&p&量化交易的朋友因为起点比较高，学习的方向也比较正确，所以一入市就处于黄金段位，这一点与普通人是有差别的，其实我也不是太看好量化交易，特别是最近深度学习的兴起，我认为量化交易会发生很大的改变，当然，这又更深层次了。&/p&&p&&br&&/p&&p&&b&问题五：你投入股市多少钱？&/b&&/p&&p&&br&&/p&&p&&b&白金&/b&：一个在股市中投入低于100万的人你是无论如何也达不到白金水平的，当然，也并不是投入资金越多段位就越多，据我的总结，越有钱的人，炒股越脑残，还不如买基金，你首先得达到黄金段位，深刻的认识到股市，然后再在股市中操作过大资金，发现挂单金额会影响股价走势，自己感悟如何建仓才能不引起股价上涨无意间给别人抬轿，如何减仓才不至于仓位没减多少股价跌停了，得深刻的意识到群组的心理预期和变化，对公司的基本面了解程度堪比企业经理。一般私募基金经理、公募基金经理和部分卖方分析师都处于这个水平，当然，市场中也有一些散户处于这个水平，相较于黄金段位，这个级别的人对股价和人性有更深的认识。&/p&&p&&br&&/p&&p&&b&钻石&/b&:这个级别的人物可以上网查了，就是那些著名的公募基金私募基金经理，玩技术分析的徐翔（被抓了），玩基本面分析的但斌，（好像两个都是很有争议性的任务），还有玩概念股的姚振华（万科A），这些人都具有宽阔的视野，对市场的理解与常人不同，最重要的，他们在股市赚了很多钱，我等凡人难以望其项背，这类人物，在中国，十个指头能数完了。&/p&&p&&br&&/p&&p&&b&最强王者&/b&：欸，这个我真不想说，可能是个人，可能是财阀，个人的话，就是巴菲特了，他的公司伯克希尔哈撒韦的股价由最初的7元每股到如今的30万美元美股，几十年的复合年化收益率超过20%，每年都有人质疑他老了，每一次他都向世界证明是我们错了，前段时间高价买了苹果，最近苹果继续创新高。财阀的话，我就只说一个了，南非报业，腾讯最大的股东，约为34%，2001年互联网股大跌的时候花3200万买了腾讯的股票，这些年马化腾都在不断减持股票，这家报业楞是一股没卖，目前腾讯市值超三万亿人民币，这样一算，南非报业的资产超过1万亿，什么水平，能与世界排名50名的国家GDP并列，这一笔投资简直是空手套国家。还有日本软银，当初6000万投资阿里，现在也是上万亿了吧，马云的终极目标是什么?打造世界第6的经济体!什么意思？除了中美英法日欧盟之外，阿里要排世界第6。这等大佬，我感觉地球要装不下他们了。关灯，还是默默撸K线，赚几个渣渣钱吧。&/p&&p&&br&&/p&&p&下面是几个知乎中我认为值得大家一看的文章。另外还有一些文章我暂时没找到，以后会分享给大家&/p&&p&&br&&/p&&a href=&https://www.zhihu.com/question//answer/& class=&internal&&徐翔每天研究股票超 12 小时，他都在研究什么？&/a&&a href=&https://www.zhihu.com/question//answer/& class=&internal&&成年了想投资股票，该如何入门？&/a&&a href=&https://www.zhihu.com/question//answer/& class=&internal&&中国上市公司编造过的最奇葩的故事是什么？&/a&&p&关注我的微信公众号：&b&原来是凌乐&/b&&/p&&p&&a href=&//link.zhihu.com/?target=http%3A//weixin.qq.com/r/8yjdxe3EYrAdramm933h& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&weixin.qq.com/r/8yjdxe3&/span&&span class=&invisible&&EYrAdramm933h&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& (二维码自动识别)&/p&&p&我会分享一些投资理财和炒股的干货&/p&
2017年，是一个割韭菜的年份，如果你没有从市值靠前的100支股票中挑选一支，你就多半是亏损了，今年中证100指数上涨了30%，中证1000指数下跌了18%，市场中有两千三百多支股票下跌，跌幅超过50%的超过百支，这一年，多少血与泪都隐藏在大盘指数的上涨之中，…
&figure&&img src=&https://pic3.zhimg.com/v2-ca629e3baa8a45f800c24f7a65c39e76_b.jpg& data-caption=&& data-rawwidth=&2929& data-rawheight=&1072& class=&origin_image zh-lightbox-thumb& width=&2929& data-original=&https://pic3.zhimg.com/v2-ca629e3baa8a45f800c24f7a65c39e76_r.jpg&&&/figure&&p&&br&&/p&&p&&b&下文中所出现的所有代码均可在原帖中运行&/b&，&b&希望读者朋友们除了阅读和运行代码之外，能够自由地修改、调试甚至调戏代码，尝试不同的训练数据、模型参数下输出结果的差异。&/b&传送门：&a href=&//link.zhihu.com/?target=https%3A//jizhi.im/blog/post/5min-ml& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&说3分钟好像太狂了，5分钟帮你开启机器学习的大门吧！ - 集智专栏&i class=&icon-external&&&/i&&/a&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-fcbdd5aa21ef1f2f17e7a_b.jpg& data-caption=&& data-rawwidth=&1069& data-rawheight=&660& class=&origin_image zh-lightbox-thumb& width=&1069& data-original=&https://pic3.zhimg.com/v2-fcbdd5aa21ef1f2f17e7a_r.jpg&&&/figure&&p&&br&&/p&&hr&&p&&br&&/p&&p&机器学习的时代已经来临，它能带来怎样非凡的成就，现在还不好说，但是说它将改变软件工程师解决问题的方式，却是毋庸置疑的。&/p&&p&&br&&/p&&p&现在机器学习已经被不少公司广泛应用于各个领域，比如苹果的 Apple ARKit 用来创造更丰富更有层次感的用户体验，亚马逊的 Amazon Echo 用来回答复杂的用户问题，惠普将机器学习技术用于解决3D打印问题。机器学习是个非常强大的技术，编程人员应该学习如何利用机器学习去解决技术，最好不要在将来才开始，现在就行动。&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-69e1c602f8de4f6a107a_b.jpg& data-rawwidth=&1000& data-rawheight=&288& class=&origin_image zh-lightbox-thumb& width=&1000& data-original=&https://pic3.zhimg.com/v2-69e1c602f8de4f6a107a_r.jpg&&&figcaption&美剧《硅谷》里的Jing Yang也知道怎么用机器学习开发APP&/figcaption&&/figure&&p&&br&&/p&&h2&应用机器学习&/h2&&p&&br&&/p&&p&机器学习有很多运转部件。在本文，我会先通过帮你写一些代码来解释机器学习，然后再讨论开始下一步工作前可以做哪些准备工作。&/p&&p&&br&&/p&&p&首先我们想想在机器学习出现之前，软件都是怎么编出来的。软件工程师会通过给电脑逐步操作的指令解决具体的问题。&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-eaf29c29d944c97a9f0544_b.jpg& data-caption=&& data-rawwidth=&325& data-rawheight=&195& class=&content_image& width=&325&&&/figure&&p&&br&&/p&&p&我们举一个银行业的例子。比如说，我们想写一个程序能预测贷款人会不会还他们的借款。我们可以写一个程序分析他们的用户资料，为关键变量设置参数：&/p&&p&&br&&/p&&ul&&li&信用评分（credit score）&/li&&li&贷款数目（loan amount）&/li&&li&贷款种类（type of loan）&/li&&li&成为银行用户的时间（Length of membership）&/li&&/ul&&p&&br&&/p&&p&程序逻辑会如下所示：&/p&&figure&&img src=&https://pic4.zhimg.com/v2-945c6b9737eabea23bcfe5d9a58e55e7_b.jpg& data-rawwidth=&1568& data-rawheight=&398& class=&origin_image zh-lightbox-thumb& width=&1568& data-original=&https://pic4.zhimg.com/v2-945c6b9737eabea23bcfe5d9a58e55e7_r.jpg&&&figcaption&简明银行贷款审批程序逻辑&/figcaption&&/figure&&p&&br&&/p&&p&如果问题复杂程度很高，那么手动调整参数和写指令的难度也会相应很高，甚至有时无法实现。想象一下给物体识别系统编程的难度吧。&/p&&p&&br&&/p&&h2&但是机器看一下范例，就能学习怎么解决这些问题。&/h2&&p&&br&&/p&&p&有了机器学习技术，编程人员就能训练一个机器学习模型，从数千个贷款人的数据中学习。模型还能随着时间推移不断更新，响应新趋势和更多的数据。例如，2017年国际信用界巨头艾可飞爆发安全漏洞后，那么来自艾可飞的信用评分就没有其它信用报告机构的数据那么有价值了。如果这要反映在真实的贷款结果上，机器学习模型可以调整相应的参数，减少艾可飞提供的信用评分的权重。有了足够的数据，机器学习模型会训练自己找到最优的参数。&/p&&p&&br&&/p&&p&这种技术称为监督式学习，在后面的教程中会用到它。（另外两种较为通用的技术是非监督式学习和增强学习）&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-6c9cbbb43c59a42d058597_b.jpg& data-rawwidth=&800& data-rawheight=&602& class=&origin_image zh-lightbox-thumb& width=&800& data-original=&https://pic4.zhimg.com/v2-6c9cbbb43c59a42d058597_r.jpg&&&figcaption&简明银行贷款审批机器学习逻辑&/figcaption&&/figure&&p&&br&&/p&&h2&搭建房价预测模型教程&/h2&&p&&br&&/p&&p&学习机器学习技术的最快途径就是自己尝试去搭建一个机器学习模型，那么我们就来建一个自己的房价预测模型。先假定每套房子的基值为24万美元，每多一间卧室就增加15000美元（为了方便表达数字，以下用K代表1000）。&/p&&p&如下：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-b70f5fa0c71b52c0ca6aa6a8_b.jpg& data-caption=&& data-rawwidth=&1072& data-rawheight=&297& class=&origin_image zh-lightbox-thumb& width=&1072& data-original=&https://pic1.zhimg.com/v2-b70f5fa0c71b52c0ca6aa6a8_r.jpg&&&/figure&&p&&br&&/p&&p&预测房价需要一个简单的线性模型：(y = mx + b)。我们可以用这个公式：&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-2fac2de1ef338b096bbdfe299cccb50e_b.jpg& data-caption=&& data-rawwidth=&1099& data-rawheight=&109& class=&origin_image zh-lightbox-thumb& width=&1099& data-original=&https://pic3.zhimg.com/v2-2fac2de1ef338b096bbdfe299cccb50e_r.jpg&&&/figure&&p&&br&&/p&&p&现在我们建一个机器学习模型去做这件事。通过使用训练数据，我想让模型找出m和b的值，这个我们知道分别是15和240。&/p&&p&&br&&/p&&p&我们用 Python 编写程序。用下面的代码新建一个 Python 文件，命名为 home_price.py。在代码中，我们先导入资料和数据，设置好一些初始变量，线性模型和损失函数。如果你的环境设置不允许，可以考虑安装 Docker，使用下面的 Docker 命令：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-7260d0b0abfbb881c4c06_b.jpg& data-caption=&& data-rawwidth=&1103& data-rawheight=&115& class=&origin_image zh-lightbox-thumb& width=&1103& data-original=&https://pic3.zhimg.com/v2-7260d0b0abfbb881c4c06_r.jpg&&&/figure&&p&没错，不用打印报表和注释，就是15行代码 ！&/p&&p&&br&&/p&&hr&&h2&1. 数据建模&/h2&&p&&br&&/p&&p&请点击&a href=&//link.zhihu.com/?target=https%3A//jizhi.im/blog/post/5min-ml& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&运行&i class=&icon-external&&&/i&&/a&按钮，导入&a href=&//link.zhihu.com/?target=http%3A//tensorflow.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TensorFlow&i class=&icon-external&&&/i&&/a&并定义相应变量和模型。（可运行代码原贴：&a href=&//link.zhihu.com/?target=https%3A//jizhi.im/blog/post/5min-ml& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&说3分钟好像太狂了，5分钟帮你开启机器学习的大门吧！ - 集智专栏&i class=&icon-external&&&/i&&/a&）&/p&&p&&br&&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-6fcc5aecd1ebbd61094d02c_b.jpg& data-caption=&& data-rawwidth=&1056& data-rawheight=&980& class=&origin_image zh-lightbox-thumb& width=&1056& data-original=&https://pic1.zhimg.com/v2-6fcc5aecd1ebbd61094d02c_r.jpg&&&/figure&&p&&br&&/p&&h2&2. 模型训练&/h2&&p&&br&&/p&&p&请点击&a href=&//link.zhihu.com/?target=https%3A//jizhi.im/blog/post/5min-ml& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&运行&i class=&icon-external&&&/i&&/a&按钮，启动TensorFlow的计算图。&/p&&blockquote&&i&注：如刷新了页面，请先重新运行上一段代码&/i&&/blockquote&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-fcbdd5aa21ef1f2f17e7a_b.jpg& data-caption=&& data-rawwidth=&1069& data-rawheight=&660& class=&origin_image zh-lightbox-thumb& width=&1069& data-original=&https://pic3.zhimg.com/v2-fcbdd5aa21ef1f2f17e7a_r.jpg&&&/figure&&p&&br&&/p&&h2&希望读者朋友们除了阅读和运行代码之外，能够自由地修改、调试甚至调戏代码，尝试不同的训练数据、模型参数下输出结果的差异。&/h2&&p&&br&&/p&&p&在代码中，我们设置了一些基本的在训练中会用到的占位符和变量。然后我们写一个损失函数，通过减去预测值中的y （给定值或者真实数值）进行计算。接着把得到的数值传给优化程序。每迭代一次，优化程序就会通过更新变量m和b的值尽可能地得到y的值和预测值。&/p&&p&&br&&/p&&p&接下来，我们就用训练数据把模型训练上1000次。最后，你应该会得到这样一个输出：&/p&&p&&br&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-dfa9c5e307cccd2b4061380_b.jpg& data-caption=&& data-rawwidth=&1084& data-rawheight=&110& class=&origin_image zh-lightbox-thumb& width=&1084& data-original=&https://pic1.zhimg.com/v2-dfa9c5e307cccd2b4061380_r.jpg&&&/figure&&p&&br&&/p&&p&m的值为[ 15.]，b的值为[239.]。&/p&&p&你觉得得到的m和b的值怎么样？和我们预测的值很接近对吧？&/p&&p&&br&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-40f59ec05eb521d98b946ce_b.jpg& data-caption=&& data-rawwidth=&600& data-rawheight=&391& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic3.zhimg.com/v2-40f59ec05eb521d98b946ce_r.jpg&&&/figure&&p&&br&&/p&&p&下面是每次迭代中模型如何被优化的直观图。最初m和b的值从1.0开始（我们在代码中指定了），但是随着时间推移，它们会慢慢接近正确的值。我们也可以看到损失值（预测— y）慢慢降低至0。&/p&&p&&br&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-e1d65f34bda0cfabb2e926e5_b.jpg& data-rawwidth=&800& data-rawheight=&552& class=&origin_image zh-lightbox-thumb& width=&800& data-original=&https://pic2.zhimg.com/v2-e1d65f34bda0cfabb2e926e5_r.jpg&&&figcaption&迭代100次后m，b的值和损失值（loss）&/figcaption&&/figure&&p&&br&&/p&&p&希望上面的教程能帮你理解机器学习的基础知识。不远的将来，每个编程人员都会在实际工作中用到机器学习技术，我们离npm install object-detect并不遥远。&/p&&p&&br&&/p&&figure&&img src=&https://pic4.zhimg.com/v2-d8aa19acea3b5a8cdbbe0b0f_b.jpg& data-rawwidth=&498& data-rawheight=&203& class=&origin_image zh-lightbox-thumb& width=&498& data-original=&https://pic4.zhimg.com/v2-d8aa19acea3b5a8cdbbe0b0f_r.jpg&&&figcaption&祝你身体健康！&/figcaption&&/figure&&p&&br&&/p&&p&&br&&/p&&blockquote&&i&资料来源：&a href=&//link.zhihu.com/?target=https%3A//hackernoon.com/getting-started-with-machine-learning-in-15-lines-of-code-a4& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Getting started with Machine Learning in 5 minutes&i class=&icon-external&&&/i&&/a&&/i& &br&&i&作者：Arjun Patel &/i& &br&&i&翻译：小马哥&/i&&/blockquote&&p&&br&&/p&&p&&b&&i&拓展阅读：&/i&&/b&&/p&&p&&br&&/p&&p&&i&&a href=&//link.zhihu.com/?target=https%3A//jizhi.im/blog/post/pornhub-ai-ml& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&世上最大的不可描述网站也向AI和机器学习势力低头了！&i class=&icon-external&&&/i&&/a&&/i&&/p&&p&&i&&a href=&//link.zhihu.com/?target=https%3A//jizhi.im/blog/post/machine-learning-finds-out-game-cheating& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&以彼之道，还施彼身——使用机器学习来揪出作弊的玩家&i class=&icon-external&&&/i&&/a&&/i&&/p&&p&&i&&a href=&//link.zhihu.com/?target=https%3A//jizhi.im/blog/post/beyondai& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&不是人工智能，是智能机器&i class=&icon-external&&&/i&&/a&&/i&&/p&&p&&br&&/p&&p&&br&&/p&&h2&官方微博：&a href=&//link.zhihu.com/?target=https%3A//weibo.com/p/9058/home%3Ffrom%3Dpage_mod%3DTAB%23place& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&@景略集智&i class=&icon-external&&&/i&&/a&&/h2&&h2&微信公众号：jizhi-im&/h2&&h2&商务合作： &a href=&https://www.zhihu.com/people/7d81ea65e16ff830a82a869b2823ecc2& class=&internal&&@军师&/a&&/h2&&h2&投稿转载：kexiyang@jizhi.im&/h2&&h2&集智QQ群：&/h2&&figure&&img src=&https://pic4.zhimg.com/v2-efbbde0fef67ea51c94cafa7_b.jpg& data-caption=&& data-rawwidth=&1024& data-rawheight=&831& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&https://pic4.zhimg.com/v2-efbbde0fef67ea51c94cafa7_r.jpg&&&/figure&
下文中所出现的所有代码均可在原帖中运行，希望读者朋友们除了阅读和运行代码之外，能够自由地修改、调试甚至调戏代码，尝试不同的训练数据、模型参数下输出结果的差异。传送门： 机器学习的…
尝试跟一下斯坦福的机器学期公开课吧&br&已经全部翻译完整了&br&&a href=&//link.zhihu.com/?target=http%3A//v.163.com/special/opencourse/machinelearning.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&v.163.com/special/openc&/span&&span class=&invisible&&ourse/machinelearning.html&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
尝试跟一下斯坦福的机器学期公开课吧 已经全部翻译完整了
强烈推荐台大的这门《机器学习基石》。我感觉这门比Andrew Ng的讲得更深入更透彻更直观，而且作业题也需要更多的思考。给个coursera的链接：&a href=&//link.zhihu.com/?target=https%3A//class.coursera.org/ntumlone-001& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&class.coursera.org/ntum&/span&&span class=&invisible&&lone-001&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&
强烈推荐台大的这门《机器学习基石》。我感觉这门比Andrew Ng的讲得更深入更透彻更直观，而且作业题也需要更多的思考。给个coursera的链接：
&p&之前写过一篇转行的文章，希望对楼主有帮助~&/p&&a href=&https://zhuanlan.zhihu.com/p/& class=&internal&&转行数据挖掘和机器学习 - 知乎专栏&/a&&p&原文来自微信公众号“数学人生”，链接是：&a href=&//link.zhihu.com/?target=https%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3Dccbc2df5e%26chksm%3Dcc5f03d7fb288ac133d7cde34bdf90dddaab681cb7defe06b0b09f7%23rd& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&转行到数据挖掘与机器学习（三）&i class=&icon-external&&&/i&&/a&&/p&&p&回头看一下，目前已经从纯数学专业转行到数据挖掘和机器学习领域有一年半了，又到了该总结转行经验的时候。还是那句老话，大牛们请主动忽视以下内容，初学者可以用作参考。&/p&&p&&b&［1］编程语言&/b&&/p&&p&目前工业界的机器学习编程语言很多，基于个人的一些浅显的工作经验，发现目前比较常用的编程语言是 Python 和 HIVE。&/p&&p&通常来说，HIVE 是为了从数据库中提取数据，然后进行必要的数据过滤，数据分析，数据提取。对于 HIVE，需要掌握的内容有以下几点：聚合函数，数学函数，字符串函数，表格的连接函数，条件语句等。HIVE 的经典教材有两本，分别是：&/p&&p&《HIVE编程指南》，作者 Edward Capriolo&/p&&p&《SQL基础教程》，作者 Mick&/p&&p&PS：个人特别喜欢《SQL基础教程》，极易上手，易学易通。之前写过一篇文章总结 HIVE 的使用细节，提供给大家做参考：&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3D687b754cddcc683f487ac0%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《HIVE基础介绍》&i class=&icon-external&&&/i&&/a&&/p&&p&对于编程语言 Python 来说，目前深度学习的框架 Tensorflow 等，都可以使用 Python 进行编程。除此之外，Python 还有各种各样的数值计算库和机器学习库等着大家去使用，例如 Numpy，Scipy，ScikitLearn，matplotlib 等。其中，Scikitlearn 的文档是非常详细的，特别适合初学者入门学习。至于 Python 教材的话，其实有很多，例如：《Python基础教程》，作者是 Magnus Lie Hetland，这本书特别适合初学者看。如果是网络教材的话，推荐参考 廖雪峰 的官方网站，地址是：&a href=&//link.zhihu.com/?target=http%3A//www.liaoxuefeng.com/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Home - 廖雪峰的官方网站&i class=&icon-external&&&/i&&/a&&/p&&p&至于开发环境的话，一般来说公司都会使用Linux，有一本书可以提供给大家做参考：《Linux命令行与Shell脚本编程大全》，作者 Richard Blum／ Christine Bresnahan&/p&&p&既然是处理大数据，那么 MapReduce，Hadoop，Spark 等内容需要了解。参考文章：&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3D70f5bf1b390cb9d23cd16db5eda20bf9%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《一文看懂大数据的生态技术圈，Hadoop，Hive，Spark都有了》&i class=&icon-external&&&/i&&/a&&/p&&p&&b&［2］机器学习&/b&&/p&&p&既然是做数据挖掘和机器学习的工作，那每个人都需要了解这方面的内容。在这里笔者推荐教材《机器学习实战》，作者是 Peter Harrington。阅读这本书需要读者掌握 Python 语言，加上 Numpy，Scipy，matplotlib 函数库的一些基础内容。源代码的话可以在网上找到，然后根据书本的章节逐步学习即可。&/p&&p&除了《机器学习实战》之外，周志华老师所写的《机器学习》西瓜书也是不错的选择。建议初学者结合这两本书一起学习，周志华老师的《机器学习》介绍了多种机器学习算法，并有简单的例子和数学原理进行描述。&/p&&p&既然提到了机器学习，那就简单地总结一下里面的一些算法吧。&/p&&p&如果是做推荐业务的团队，那么使用地最多的还是逻辑回归算法（Logistic Regression），ItemCF 和 UserCF，物质扩散和热传导算法（Heat Spreading） 算法。由于 LR 是使用线性的方法来处理非线性的问题，并且实际的环境中会有物品的特征和用户的特征，因此会导致特征工程比较复杂，交叉项多（二维或者三维的交叉）。因此，在实际的工作中，特征工程的作用就显得十分重要。工程师和业务人员要根据物品和用户进行必要的特征构造，形成物品特征，用户特征，交叉特征等。之前也写过一篇文章&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3Didx%3D1%26sn%3Dc288ca1afdfab69de56b8d1%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《特征工程简介》&i class=&icon-external&&&/i&&/a&，供大家参考。&/p&&p&除此之外，涉及到在线优化的问题，Google 在几年前提出了一个 FTRL 算法。论文是 Ad Click Prediction a View from the Trenches，里面会涉及 SGD 算法，Truncated Gradient 算法，RDA 算法，FOBOS 算法，以及最终的 FTRL 算法等。&/p&&p&比逻辑回归算法还要简单的那就是线性回归算法了，目的都是针对连续型的数据进行预测，结果都十分容易解释。除了直接的线性回归之外，还有局部加权线性回归，岭回归，Lasso 和前向逐步线性回归等算法。这些细节可以参考文章&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3D8c3e7f7f4ee6c9e3aeeac2df%26chksm%3Dcc5f2ed579eeb25a229c4a97bad01%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《线性回归》&i class=&icon-external&&&/i&&/a&。&/p&&p&如果是针对转行的同学的话，那么大家肯定关心的是如何把之前的技能平滑地切入到新的领域中。如果学过数理统计的话，那么&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3Dbfdecdfa75b7fc%26chksm%3Dcc5fe8f2e2254aba47fee4cb536c1cscene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《最大似然估计》&i class=&icon-external&&&/i&&/a&就是一个不错的切入点。&/p&&p&除了上面所说的算法，支持向量机算法（Support Vector Machine），GBDT 算法，随机森林算法，XgBoost 算法都是在工业界比较常见的算法。目前个人还没有对这类算法进行过总结，不过还是强烈建议大家去学习一下。2017年笔者应该会对这些算法进行一些个人的总结。&/p&&p&无监督学习算法也是整个机器学习领域的一大方向。提到无监督学习算法，就不得不提到聚类算法，其中最经典的还是 Kmeans 算法。这个可以参见文章&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3D2ae068faadd7d629f354d%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《聚类算法（一）》&i class=&icon-external&&&/i&&/a&。聚类算法的反面就是异常点检测算法，之前在异常点检测算法上面研究过一阵，也写过不少的文章。例如：&/p&&p&&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3Da6bbe7c67be9%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《异常点检测算法（一）》&i class=&icon-external&&&/i&&/a&，&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3Dcbb1c3f0439eae4bb2f78c%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《异常点检测算法（二）》&i class=&icon-external&&&/i&&/a&，&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3D057cdf801d322da4d83dbf96376e7eee%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《异常点检测算法（三）》&i class=&icon-external&&&/i&&/a&，&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3D7a9043417ceaf3ca783a507eea18c2d6%26chksm%3Dcc5f021ffb288b3ad9c5d4e36e852f9f5bc4fea7dde69fa9b9b43f%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《异常点检测算法综述》&i class=&icon-external&&&/i&&/a&。&/p&&p&除此之外，强化学习也是机器学习的一个研究方向。随着 DeepMind 公司的 AlphaGo 打败围棋顶尖选手，能够自动玩游戏的智能 AI，强化学习已经成为了一个比较热门的研究方向。之前写过一篇关于强化学习和泛函分析的小文章&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3Dee1aaae3c8fcdcf21e50f1f966adc5e3%26chksm%3Dcc5f03c5fb288ad93baf6a57259ccc47c1756dcd931bdbcd83e2e8%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《当强化学习遇见泛函分析》&i class=&icon-external&&&/i&&/a&，供大家参考。&/p&&p&目前深度学习已经成为了机器学习的热门研究方向，无论是卷积神经网络 CNN 还是循环神经网络 RNN，都是研究的主流。之前在学习反向传播算法的时候，写过一篇如何基于 BP 算法训练 RNN 网络的文章&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3Dddfb3f301f4b21ddcafe%26chksm%3Dcc5f877fbee9c6a1a03ba68e375bd71d70105f67aacec7def8c40%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《循环神经网络－Reccurent Neural Networks》&i class=&icon-external&&&/i&&/a&。&/p&&p&&b&［3］数理统计&/b&&/p&&p&数理统计方面还是有一些东西是蛮常用的。例如时间序列模型 ARMA 模型等。一些数据的指标，例如均值，方差，标准差，变异系数，相关系数，ROC曲线和AUC，召回率和正确率，交叉验证等。&/p&&p&&b&［4］业务场景&/b&&/p&&p&在实际的工作中，最重要的一个因素就是理解业务，只有理解了业务的需求，才能够更好的完成领导所布置的任务。在做事情的时候，一定要形成闭环。那就是：了解业务需求－》调研业界方案－》查看是否适用－》上线效果。通过最终的效果和我们要做成的目标，来反推当前需要做的事情。一些学生时代的思维方式需要逐渐抛弃，参考文章：&a href=&//link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzIzODExMDE5MA%3D%3D%26mid%3D%26idx%3D1%26sn%3Da0e74c56cf04837defe227%26scene%3D21%23wechat_redirect& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《开公众号之后的一些感想》&i class=&icon-external&&&/i&&/a&。&/p&
之前写过一篇转行的文章，希望对楼主有帮助~原文来自微信公众号“数学人生”，链接是：回头看一下，目前已经从纯数学专业转行到数据挖掘和机器学习领域有一年半了，又到了该总结转行经验的…
&p&我看到有人在问，Andrew Ng的视频，还有代码这些的资料。再次整理一下：&/p&&p&1、机器学习实战的书：&a href=&//link.zhihu.com/?target=https%3A//www.amazon.cn/%25E6%259C%25BA%25E5%%25E5%25AD%25A6%25E4%25B9%25A0%25E5%25AE%259E%25E6%-%25E7%25BE%258E-Peter-Harrington/dp/B00M2DL02A/ref%3Dsr_1_1%3Fie%3DUTF8%26qid%3D%26sr%3D8-1%26keywords%3D%25E6%259C%25BA%25E5%%25E5%25AD%25A6%25E4%25B9%25A0%25E5%25AE%259E%25E6%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&《机器学习实战 (图灵程序设计丛书 72)》 [美]Peter Harrington, 李锐, 李鹏, 曲亚东, 王斌 书评 简介 电子书下载 Kindle电子书&i class=&icon-external&&&/i&&/a&&/p&&p&2、Andrew Ng老师的视频教程：&a href=&//link.zhihu.com/?target=https%3A//mooc.guokr.com/note/16274/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Machine Learning:斯坦福大学机器学习个人笔记完整版（附所有视频和字幕）&i class=&icon-external&&&/i&&/a& （现在Andrew Ng老师没开新课了，这是一个同学自己下载的所有视频和相关资料，大家可以自行下载）&/p&&p&3、Andrew Ng老师早期的一个机器学习公开课：&a href=&//link.zhihu.com/?target=http%3A//open.163.com/special/opencourse/machinelearning.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&斯坦福大学公开课 ：机器学习课程&i class=&icon-external&&&/i&&/a&&/p&&p&4、Andrew Ng老师机器学习课的代码。Python版本：&a href=&//link.zhihu.com/?target=https%3A//github.com/icrtiou/Coursera-ML-AndrewNg& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&icrtiou/Coursera-ML-AndrewNg&i class=&icon-external&&&/i&&/a&&/p&&p&
Matlab版本：&a href=&//link.zhihu.com/?target=https%3A//github.com/vugsus/coursera-machine-learning& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&vugsus/coursera-machine-learning&i class=&icon-external&&&/i&&/a&&/p&&p&&br&&/p&&p&&b&另外，鉴于现在深度学习这么的火热，而且现在做机器学习也避免不了了解及应用深度学习，我这里也加入一些深度学习的内容。&/b&&/p&&p&1、入门的数学和编程基础和机器学习的要求是一样的。&/p&&p&2、入门读物还是推荐Andrew Ng老师组织的一个WIKI，&a href=&//link.zhihu.com/?target=http%3A//deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&UFLDL Tutorial - Ufldl&i class=&icon-external&&&/i&&/a& ， 非常建议大家老老实实花两个星期的时间把这个wiki的内容和相关程序自己实现一次。而且，这个wiki是有中文版本的，在每个页面的最下面都可以点击查看中文版本。（PS：我还很荣幸的当时参与了当时的翻译工作，为内容的中文化做了一点点微小的工作。）。&/p&&p&3、现在的深度学习应用最为广泛的就是卷积神经网络（Convolutional neural network， CNN），所以建议大家可以多看看这个方面的内容。正好这几天Fei Fei Li老师的CNN课程又开课了，大家有兴趣可以去看看。这个网站会同步更新，而且有中文翻译。&a href=&//link.zhihu.com/?target=http%3A//www.mooc.ai/course/268& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&【中文字幕】2017春季CS231n 斯坦福深度视觉识别课&i class=&icon-external&&&/i&&/a&。&/p&&p&4、做深度学习避免不了的要选择一个平台，Tensorflow，Caffe，Torch，MxNet等等都是选择。如果是新手，尤其是基于Windows平台的新手，我还是比较建议用Tensorflow。具体的内容可以参见这个&a href=&//link.zhihu.com/?target=http%3A//www.bilibili.com/video/av/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&莫烦系列教程 - Tensorflow教程&i class=&icon-external&&&/i&&/a&。&/p&&p&5、最后，就是勤联系、勤联系、勤联系啦。&/p&&p&6、最后的最后，如果没有项目参与，那么最好的检验自己的学习成果的手段就是参加比赛啦。国外的Kaggle，KDD CUP，...。国内的天池大数据竞赛，...。&/p&&ul&&li&&a href=&//link.zhihu.com/?target=https%3A//www.kaggle.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&kaggle.com/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&//link.zhihu.com/?target=http%3A//www.kdd.org/kdd-cup& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&kdd.org/kdd-cup&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&//link.zhihu.com/?target=https%3A//tianchi.shuju.aliyun.com/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&tianchi.shuju.aliyun.com&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&/ul&&p&&br&&/p&&hr&&p&这几年，机器学习绝对是计算机领域最热门的话题和方向。笔者不属于专门研究机器学习，但是平时的工作会经常用到一些相关的算法。因此，对于机器学习也仅仅是入门的水平。&b&但是我想也正是因为我只是一个入门汉，所以能够从我们入门者的角度来总结如何入门，希望对还在门外的同学有一些帮助。&/b&&/p&&p&&b&
学&/b&&/p&&p&很多人翻看任何一本机器学习的书，看到一推的数学公式就开始打退堂鼓了。开始搜索，提问“机器学习需要哪些数学知识？”然后得到的结果可能会是“矩阵分析，概率论，优化设计……”而且还会有大量的人推荐一些例如“All of Statistics”，“Convex Optimation”等等外文教材。至少我当时面对的情况就是这样的。这种情况很可能后面会朝以下画风发展。&/p&&p&看到上述推荐的那些经典教材，你像看待圣经一样看待他们。抱着一种学会了那些课，我再看机器学习的书简直就会是探囊取物的想法，你下载了巨多相关材料。但是，慢慢你会发现，除了把他们下载了下来，你并没有任何的进步。你并没有完完整整的看完一本，你并没有在机器学习方面卓越超群。&/p&&p&入门阶段真的需要这么多的数学储备吗？未必。&/p&&p&&b&入门阶段我感觉你只要有普通工科专业大一大二那几门基础数学课“线性代数”，“高数”，“概率论与数理统计”就可以让你入门了。&/b&&/p&&p&所以，千万别被机器学习中的数学所吓倒而不知道该如何下手。&/p&&p&只要有上述的几门课的基础，你完全可以看懂很大一部分机器学习算法。&/p&&p&&b&
程序语言&/b&&/p&&p&机器学习入门最佳的方法其实就是理论和代码一起学习。一边看相应的理论推导，一边看并且实践经典代码。&b&所以，为了更快入门，我推荐你最好能够懂点MATLAB或者是Python语言。&/b&&/p&&p&Matlab和Python说实话做高端的机器学习肯定是不推荐的，但是如果你想的是机器学习快速入门，那这两门语言绝对是绝佳选择。 &/p&&p&&br&&/p&&p&&b&
第一步&/b&&/p&&p&有了上述基础后，你可以开始看点机器学习的相关内容了。我看很多人推荐elements of machine learning。我想说，你想让一个基础为零的人去看这本书，真的合适吗？？？&/p&&p&&b&所以，我推荐的是Machine Learning in action，（这里面的完成语言为Python）这是英文版本的。当然如果你觉得英文对你是一个完全过不去的坎，（虽然我建议做技术的人都必须至少要看得懂英文）现在有中文版本，叫“机器学习实践”。&/b&&/p&&p&这本书用尽量少的公式把机器学习的基本算法都过了一遍，而且还讲得很清楚，更为重要的是他将公式和代码结合了起来。因此，你的机器学习并没有那么的抽象了，你知道算法里的公式如何的转化为代码。&/p&&p&所以，第一步，你可以耐着性子将这本书看完。反正我当时，把书中的代码自己敲了一次，虽然代码有的下载，你也可以选择只是把代码看懂完事。但我还是建议，自己敲一次，运行运行，这样你会得到不一样的体会。&/p&&p&&br&&/p&&p&&b&
第二步&/b&&/p&&p&&b&学习Coursera上面Andrew Ng老师的machine learning的课程。&/b&这门课造福了众多机器学习的入门者，不仅仅是因为课程全面，内容由浅入深。更加重要的是这门课程每次课都有课堂作业，作业不需要你写出来所有的代码，但是关键代码要你写出来，而且还会教你如何调试代码。&/p&&p&初学者学这门课的时候很可能会买有耐心，又是英文的，又有进度要求，又有作业。没关系，你可以把视频下载下来（很多网盘里都有下载好的视频），然后慢慢的去啃。作业也是，可能你自己不能一口气写出来，没关系，在自己做了大量尝试后，去Github上面下载一些别人写好的代码看一看，找找自己的问题到底出在了哪里。&/p&&p&&b&总之，一定要耐着性子过一遍甚至是几面这个课程。&/b&&/p&&p&&br&&/p&&p&&b&
第三步&/b&&/p&&p&这时候你已经对机器学习很多简单的算法比较清楚了，但是可能还没有一种大的全局观。所以，我建议大家可以看看这两本中文教材。&b&周志华老师的西瓜书《机器学习》和李航老师的《统计学习方法》&/b&，这两本书都是作者花了大量心思编写的，也是在中国众多科技书籍中难得的两本佳作。&/p&&p&英文书籍，&b&可以推荐《Patten Recognition and Machine Learning》，《Elements&br&of Statistical Learning》&/b&(但是这本书难度比较大，如果你有足够的耐心，可以慢慢啃，多次的啃。相信每次都会有不同的收获。我自己已经看了好几次，但是确实每次都没有完全看完，但是目前我遇到很多问题，我去翻这本书，还是能找到很多答案，尤其是我做稀疏相关的工作，里面的相关内容讲解非常清楚。）&/p&&p&&br&&/p&&p&&b&
第四步&/b&&/p&&p&这时候，机器学习你已经可以说大概入门了。后面的事情，&b&就得根据你的需求来制定相关的学习路线。&/b&&/p&&p&比如，做大数据分析的，得去学学spark，Hadoop等计算框架；&/p&&p&另外，图模型，深度学习……等等内容，都是一些方向。&/p&&p&自然语言处理、图像识别、语音识别等等也是一些应用方向，更有大量的领域知识需要结合。&/p&&p&&br&&/p&&p&&br&&/p&&p&在前沿部分和第一到第三步的内容，如果你能按照这几步走下来，入门是肯定可以的。至于后面的机器学习精通部分，我也只能说：Good Luck and Have Fun&/p&&p&&br&&/p&&p&&br&&/p&&p&广告时间：机器学习、未来智能、机器人相关话题，可关注公众号：&/p&&p&&b&&i&平衡小车之家&/i&&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/55cd1f8dcd6e246782ec_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&430& data-rawheight=&430& class=&origin_image zh-lightbox-thumb& width=&430& data-original=&https://pic1.zhimg.com/55cd1f8dcd6e246782ec_r.jpg&&&/figure&
我看到有人在问，Andrew Ng的视频，还有代码这些的资料。再