统计转身，拥抱智能
壮志凌云觅战场，磨穿铁砚待天光。忽闻山巅传书信，疑是仙人降玉章。
自此扶摇乘风起，敢同日月争辉光。前路纵有千般险，我亦从容赴远方。
在博士期间，我的研究主要集中在统计学，用那些经典的理论和方法来理解生物数据。那段经历虽然打下了坚实的数理基础，但也让我逐渐意识到，面对日益复杂和庞大的数据集，传统统计方法有时显得力不从心。在TJUH面对新的研究课题和挑战，我愈发感觉到需要更强大的工具来挖掘数据深处的模式和价值。这时候，机器学习（ML）和深度学习（DL）这两个充满魔力的词汇，开始频繁地闯入我的视野。
然而，对于一个连"过拟合"（overfitting）这种基础概念都懵懵懂懂的人来说，踏入这个全新的领域，无异于从零开始，前方充满了未知和挑战。我至今还记得一次去默克面试的窘境，面试官提出的一个与过拟合相关的问题，我当时竟有些语塞，现在想来真是汗颜。那时候的我，对机器学习可以说是一张白纸，从未上过任何相关课程。
我的机器学习启蒙，源于互联网公开课的兴起。那时Coursera刚刚崭露头角，上面可选的课程寥寥无几。我接触的第一个资源，便是大名鼎鼎的吴恩达（Andrew Ng）老师的机器学习课程。这门课无疑是经典之作，为我打开了一扇通往新世界的大门。然而，学完之后，总有一种意犹未尽的感觉。课程内容相对基础，虽然覆盖了核心概念，但离能够独立解决实际问题还有相当距离。我当时的感觉就像是站在门口窥探了一下，里面的精彩世界还远未触及。
紧接着，Coursera 上的课程逐渐丰富起来。我选修了由华盛顿大学（University of Washington）的两位知名教授 Emily Fox 和 Carlos Guestrin 开设的机器学习系列课程。我对 Emily Fox 教授印象深刻，因为我曾在宾大沃顿商学院旁听过她讲授的统计学课程，她条理清晰、深入浅出的授课风格令我受益匪浅。而 Carlos Guestrin 教授，正是大名鼎鼎的 XGBoost 算法的开发者。这门课本身质量很高，我确实学到了不少东西。
大约就在我学习这些基础机器学习课程的同时，整个领域正在经历一场深刻的变革，那就是深度学习浪潮的兴起。现在回头看，正是几个关键性的突破，将深度学习从象牙塔推向了工业界，也极大地降低了我们这些后来者的入门门槛。
首先是 ImageNet 竞赛。2012年，基于卷积神经网络（CNN）的 AlexNet 在这项大规模图像识别竞赛中取得了惊人成绩，准确率远超传统方法，让人们看到了深度学习在处理复杂模式识别任务上的巨大潜力。这可以说是深度学习爆发的一个标志性事件。
其次是硬件的飞速发展，尤其是英伟达（NVIDIA）推出基于 CUDA 的并行计算平台。它使得利用图形处理器（GPU）进行大规模并行计算成为可能，极大地缩短了训练深度神经网络所需的时间，从之前的几周甚至几个月，缩短到几小时甚至几分钟。没有 GPU 加速，很多复杂的深度学习模型根本无法在可接受的时间内完成训练。
与此同时，各种深度学习框架也如雨后春笋般涌现。早期像 Caffe 这样的框架，为研究人员和工程师提供了实现和训练神经网络的基础工具。而随后出现的 Keras，则以其简洁、模块化的 API 设计，进一步降低了使用门槛。通过 Keras，开发者可以像搭积木一样快速构建和实验不同的神经网络结构，而不必过多地纠结于底层的复杂实现。
正是这些技术的交汇：算法的突破（以 CNN 为代表）、硬件的加速（CUDA 和 GPU）、以及框架的成熟（Caffe、Keras 等），共同推动了深度学习的普及。它不再仅仅是少数顶尖实验室的研究课题，而是逐渐成为我们解决实际问题，尤其是图像、语音、自然语言处理等领域问题的有力武器。这一切，都让我这个正在机器学习大门外徘徊的初学者，看到了新的方向和可能。
我意识到深度学习是必须攻克的下一个堡垒。那时，Udacity 推出了一个专门的深度学习课程。虽然价格不菲（我记得大概是四五百美金，这对我来说是一笔不小的开销），但看到精心设计的大纲，我还是咬咬牙报了名。这门课确实物有所值，让我系统地学习了深度学习的核心概念和技术。不过，时至今日，我不建议大家再花钱去上这门课了，因为有了更多、更好的免费或低成本选择。
其中，吴恩达老师创办的 DeepLearning.AI 在 Coursera 上推出的深度学习系列专项课程，就是极好的替代品。我后来也学习了这个系列，内容编排和讲解依然保持了高水准，是入门深度学习的绝佳选择。但和他的机器学习课程类似，感觉在实践层面，深度和广度上仍然略有欠缺，学完后可能还是觉得离熟练应用有距离。
为了弥补在线课程实践性不足的问题，我开始大量阅读相关书籍。我个人非常喜欢通过阅读来学习，感觉效率更高。在众多书籍中，有几本对我帮助巨大：
《Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow》：这本书堪称神作。它不仅覆盖了机器学习的基础，更重要的是提供了大量基于 Scikit-Learn、Keras 和 TensorFlow 的实战代码。内容非常实用，理论与实践结合得非常好，是必读之作。
《Deep Learning with Python》：作者正是 Keras 的创始人。这本书聚焦于使用 Keras 进行深度学习实践，语言通俗易懂，书中通过丰富的代码示例来解释核心概念，避免了复杂的数学推导，非常适合希望快速上手应用的读者。很多我自己以前没意识到的实践技巧，都是从这本书里学到的，有种豁然开朗的感觉。
《Python Machine Learning》：这本书的作者之一 Sebastian Raschka 也有生物信息学背景，这让我倍感亲切。书写得非常细致，概念解释清晰，同样包含大量代码示例。这本书也更新了好几版，内容与时俱进。
当然，还有那本被誉为深度学习"圣经"的花书《Deep Learning》。这本书非常经典，内容全面且深入。但老实说，对于初学者，尤其是像我这样转行的人来说，初期并不需要啃这本书。它过于理论化，很多内容与前沿研究相关。如果你想把它放在书架上"撑场面"，那绝对够格。但如果是为了入门学习，建议先放一放，等到有一定基础，需要深入理解某些理论细节时再来查阅。
掌握了理论知识和基本工具后，真正的挑战在于如何将它们应用于解决实际问题。我开始尝试参与 Kaggle 上的竞赛。Kaggle 无疑是一个学习和练手的好地方，但后来我逐渐发现，对于生物背景的我来说，Kaggle 上很多竞赛的数据和问题与我的研究领域关联度不高。于是，我将目光转向了各种医学影像相关的竞赛。这些竞赛不仅能让我运用所学的深度学习知识，还能直接积累与我研究方向相关的项目经验，这些经历极大地丰富了我的简历。
在这个过程中，我也尝试过其他的学习途径。比如国内的知乎，上面有很多技术文章和讨论。但我很快发现，知乎上的信息质量参差不齐，知识点过于碎片化，甚至有不少错误。相比于系统性的课程和书籍，效率不高，有时甚至会被误导。
相比之下，Twitter 是一个获取前沿信息的好地方。关注领域内的大牛，可以看到他们分享的最新论文、有趣的观点、实用的工具和教程。这对于快速了解领域动态非常有帮助，毕竟机器学习和深度学习这个领域发展实在太快了。
YouTube 也是一个宝藏。上面有大量的教学视频、会议报告、技术分享。例如，当我需要深入理解某个特定概念（比如变分自编码器 VAE）时，常常能在 YouTube 上找到讲得非常透彻的教程或顶会教程。在这里，我想特别推荐两个频道：
李宏毅老师的频道：这位台湾大学的老师录制了大量关于机器学习、深度学习、甚至包括我在上一章提到的线性代数的课程视频。内容丰富，讲解生动有趣，深入浅出。虽然视频较长且没有配套作业，但非常适合在做其他事情时“磨耳朵”，或者系统性地学习。我把他所有的视频都看了好几遍。
3Blue1Brown：这个频道以其精美的数学可视化而闻名。其中《线性代数的本质》系列，对于理解线性代数的几何直观非常有帮助。为什么在这里再次强调线性代数？因为我发现，越往后学，越觉得机器学习和深度学习的瓶颈在于数学基础，尤其是线性代数和优化方法。3Blue1Brown 的视频帮我打下坚实的直观基础。
回望这段机器学习的学习之旅，从 Coursera 到 Udacity，从一本本经典教材到一场场 Kaggle 竞赛，再到 Twitter 和 YouTube 上那些零散而宝贵的智慧火花，我的机器学习之路，就像是在攀登一座云雾缭绕的高山。最初站在山脚下时，那些复杂的算法和数学公式就像陡峭的岩壁，令人望而生畏。但当我一步步向上攀登，每掌握一个新概念，每完成一个项目，就像找到一个新的落脚点，视野也随之开阔。
我也开始渴望更多的挑战，正当我踌躇满志，准备主动出击，寻找新的战场时，一个意想不到的机会，如同来自山巅的一封信，悄然降临。它将我带到了一个曾经只能仰望的高度，也开启了我职业生涯中一段崭新而又惊心动魄的旅程。
Last updated