围棋比国际象棋困难得多，因为它要求学会察觉棋盘上布局的微妙模式，而不是仅仅计算不同棋局状态下的权值。在这方面，围棋更接近于实际问题，它要求一种「模糊的」模式识别。（关于DeepMind的更多信息，请见AlphaGo: using machine learning to master the ancient game of Go）。这仍然和「人类级别的人工智能」相距甚远（比如，AlphaGo只能下围棋，却不能完成其他任务），但这仍然是令人惊叹的里程碑。

　　问题七：除了神经网络，什么是机器学习领域目前最有前途的方法？

　　具有优良特性的古典广义线性模型（例如，线性和逻辑回归），只要输入特征足够多（如词汇和像素），并有合适的特征引擎，它们就能够出色的解决监督式问题。你也可以把它们和字嵌入（word embeddings）结合起来。另外，随机森林算法（Random forests）也是很好的机器学习方法。

　　问题八：学习机器学习最好的教材有哪些？

　　显然我写的机器学习教材是不错的选择。然而不得不承认，这一版本对初学者来说有一定难度。事实上我正在编写本书的第二版，它讲述的节奏更加缓慢，也就更加适合初学者（我也在这一版中加进了深度学习、增强学习等内容）。但完成它还需要一段时间（大概两年？）。

　　同时，还有别的一些好书值得推荐。比如，可以参考这个书单：josephmisiti/awesome-machine-learning。我认为尤其出色的一本是James, Witten，Hastie和Tibshirani编写的《统计学习入门》（Introduction to Statistical Learning）。它包含了一些频率统计方面的概念，比如p-值（这一部分你可以放心跳过），但不足的是，没有涵盖深度学习或图论模型等主题，但无论如何这是一本很好的入门教材。

　　问题九：人们应该怎样开始自己的机器学习领域的职业生涯？

　　这取决于你怎样定义「机器学习领域的职业生涯」。

　　如果你指的是一份运用现成工具（如R程序库、scikit-learn或Dato）的工作，你只需要在本科期间上几门机器学习相关的本科课程，或是在线的开放课程（如https://www.coursera.org/learn/m...或https://www.coursera.org/special...）。

　　另外，你应该多多积累实际经验，比如参加kaggle竞赛，以及（或者）在github上分享你的代码（我推荐使用Python）。

　　如果你想要一份开发全新机器学习算法的工作，那么你需要获得计算机科学以及（或者）统计学的博士学位（当然，也有人在博士后期间从物理等领域中途转向机器学习）。

　　©本文由机器之心原创编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

　　加入机器之心（全职记者/实习生）：[email protected]

　　投稿或寻求报道：[email protected]

　　广告&商务合作：[email protected]

　　机器之心是Comet Labs旗下的前沿科技媒体。Comet Labs是由联想之星发起、独立运作的全球人工智能和智能机器加速投资平台，携手全球领先的产业公司和投资机构，帮助创业者解决产业对接、用户拓展、全球市场、技术整合、资金等关键问题。旗下业务还包括：Comet旧金山加速器、Comet北京加速器、Comet垂直行业加速器。