最近，彪悍的上海交大 ACM 班俞勇教授团队推出了一本重量级新书——《动手学机器学习》。这对于技术人来说是难得的福音，因为它一次性讲明白了机器学习这回事。
上海交大 ACM 班到底有多彪悍？看看它的杰出校友们吧。
科研领域有在斯坦福任教的杨笛一，有在卡耐基梅隆大学任教的陈天奇，他也是 XGBoost 作者、TVM发起人。企业界则有依图科技联合创始人林晨曦，第四范式创始人戴文渊。MXNet 的作者大神李沐，其所著的《动手学深度学习》更是诸多技术人的必读经典。
因此 ACM 班在业界享有中国 AI 人才的“黄埔军校”之称。了不起的成就背后是伟大的愿景，ACM 班的创立者俞勇教授一直在为培养中国的图灵奖得主而努力。颁发图灵奖的机构就是 ACM（美国计算机协会），可见俞勇教授给 ACM 班取名时就寄予了多么深切的期望。
ACM 班总教头：俞勇教授《动手学机器学习》的内容来自于 ACM 班的一线教学实践。本书作者之一张伟楠根据自己讲授机器学习课程的体会与学生反馈，将理论知识与练习代码进行体系化整理形成初稿。
随后在主创团队的精心审阅编排下，最终交付了这本机器学习领域的力作。《动手学机器学习》的定位是在引领初学者入门，在内容设置上是从讲解基础理论算法开始，逐渐进入有监督学习模型与无监督学习模型的论述，力求让学习者系统化掌握机器学习的主干知识。
本书的主创团队有三位作者，除了总教头俞勇教授，还有将教学成果整理成书的张伟楠副教授，他在强化学习、数据挖掘、知识图谱等领域颇有建树。作者赵寒烨也在强化学习、机器学习方面有着深入的研究。
实力如此强劲的技术天团，为本书在业界树立了权威的标杆。
下面对书中四个主要部分的内容进行说明。
在基础部分，主要是帮助学习者抓住最核心的概念和原理，讲解了最基础的两个算法：KNN（K 近邻算法）和线性回归。基于这两个算法讨论了机器学习的基本思想与实验原则。
扎实掌握好这部分内容，就具备了在大部分机器学习场景中上手实践解决问题的能力。
本部分主要是讨论监督学习任务的参数化模型，包括逻辑斯谛回归、双线性模型、神经网络与多层感知机、卷积神经网络、循环神经网络等内容。
这些方法的共通特征，主要是基于数据的损失函数对模型参数求梯度，进而更新模型。这部分聚焦在监督学习的非参数化模型上，包括支持向量机、决策树、集成学习与梯度提升决策树等内容。
之所以将非参数模型单独作为一个部分，是为了让学习者从原理和代码方面更好地体会与参数化模型的区别、优劣。本部分讨论了对于没有标注的数据进行处理的无监督学习方法，包括 K 均值聚类、主成分分析、概率图模型、EM 算法、自动编码器等内容。
对无监督学习进行了不同任务、不同技术角度的讨论，让学习者可以充分体会与监督学习的区别。
《动手学机器学习》的最大亮点就是为动手实践提供了傻瓜式的体验环境，主创团队将 ACM 班的实践成果精炼出来，理论与代码相结合，让学习者可以平滑上手。
书中包括机器学习的概念定义、理论分析和算法过程和可运行代码。学习者可根据自己的学习状况，灵活选择想要阅读的内容。
不过，毕竟不是零基础入门，在动手之前学习者要具备两项基础能力，一是数学概念和数理统计知识，包括矩阵运算、概率分布和数值分析方法等；二是基本的 Python 的编程能力，能看懂代码并调试运行。
本书丰富的技术案例涵盖了基础算法、监督学习的参数化模型与非参数化模型，以及非监督模型。对于书中提到的知识点，学习者都可以亲手实践。主创团队对代码示例进行了精心选择，力求功能简洁且易修改。
所有示例代码按章节分类，生成为 ipynb格式，学习者可从https://github.com/boyu-ai/Hands-on-ML地址下载。
书中提供的代码都是基于 Python 3 与 PyTorch 框架实现，可用任意支持 ipynb 格式的在线或本地工具运行。
示例中用到的 Python 工具库都有简要说明，每一份示例代码中都包含可以由学习者自行设置的变量，学习者可以实时修改并运行观察结果。
以下是在 Visual Studio Code 环境中运行 KNN 算法的实例。
是不是意犹未尽？还有更多惊喜的富媒体学习资料，让我们来看一下。
在线教学视频：主创团队贴心地录制了视频课程。观看方式：看到书中出现“扫码观看视频课程”的图示，就立即拿起手机扫码吧。
配套 PPT 课件：方便学习者温习主干知识，也有利于教师备课。课后习题：看看自己学得牢不牢，千万不要当半桶水先生，题目都要会做。
学习社群：三人行，必有我师。书中为大家提供了入群学习的方式，可随时随地与同行们交流。
《动手学机器学习》的内容在成书之前就经过了 ACM 班的教学检验，书中的原理讲解、算法说明、代码案例都在教与学的互动中去芜存菁，可以说这本书就是思考与实践的淬炼结晶。
当先进的教学成果走出校园，在业界传播普及机器学习知识，推动了产业的发展时，也引得大佬们交口称赞。
03 玩转机器学习要用好非显式编程从根本上说，机器学习是一门研究算法的学科，而这些算法的作用，就在于能够通过非显式编程（non-explicit programming）的形式，利用经验数据提升某个任务的性能指标。
所以这里的难度在于，即使我们理解了算法，也无法从结果倒推回去，这是难以还原的。显式编程则直观得多，直接针对问题给出解答，例如要对一组数据排序，就实现一个快速排序算法。
对于学习者来说，要将机器学习在自己的业务领域内应用好，就要转变思维，“往后站一步”，从显式编程转为编写机器学习算法程序。这就是非显式编程的含义，在不同任务中，基于任务自身的数据，训练出一个解决问题的模型。
《动手学机器学习》就是要帮助学习者系统化地理解机器学习，弄明白算法原理，学会用非显式编程解决自己的问题。书中对每种算法都给出了开箱即用的示例代码，学习者轻松扩展一下就可以用在实际工作中。
现在，分析一下手头上的任务和数据，赶紧把机器学习方法用起来，成为智能时代的超级个体吧！
