時至今日，機器學(xué)習(xí)與深度學(xué)習(xí)已經(jīng)成為各類日常應(yīng)用程序中的重要組成部分。而正是通過制定正確的策略、將機器學(xué)習(xí)算法集成到運營與流程當(dāng)中，眾多企業(yè)才得以快速實現(xiàn)蓬勃發(fā)展。與之對應(yīng)，任何忽略了人工智能重大進步的競爭對手，都將在市場上失去立足之地。

但掌握機器學(xué)習(xí)知識是個困難的過程。大家需要從扎實的線性代數(shù)與微積分知識入手，掌握Python等編程語言，同時精通Numpy、Scikit-learn、TensorFlow以及PyTorch等數(shù)據(jù)科學(xué)與機器學(xué)習(xí)庫。

如果你需要創(chuàng)建具備集成與擴展能力的機器學(xué)習(xí)系統(tǒng)，還需要熟悉Amazon AWS、微軟Azure以及Google Cloud等云平臺。

很明顯，不少朋友壓根不打算把自己培養(yǎng)成機器學(xué)習(xí)工程師。但我們得承認(rèn)，這些數(shù)據(jù)科學(xué)與機器學(xué)習(xí)知識確實能給業(yè)務(wù)或組織負(fù)責(zé)人帶來不少助益。好消息是，目前已經(jīng)有幾門課程提供關(guān)于機器學(xué)習(xí)及深度學(xué)習(xí)的宏觀概述，而且不要求各位深入研究數(shù)學(xué)和編碼技能。

但結(jié)合自己的經(jīng)驗，要想真正建立起對數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的認(rèn)知，必須在算法方面具有一定實踐經(jīng)驗。在這方面，微軟Excel無疑是一款極具價值、但卻經(jīng)常被忽視的工具。

圖注：Hong Zhou撰寫的《通過Excel學(xué)習(xí)數(shù)據(jù)挖掘：逐步理解機器學(xué)習(xí)方法》

對大多數(shù)人來說，微軟Excel只是一款電子表格應(yīng)用程序，負(fù)責(zé)以表格形式存儲數(shù)據(jù)并執(zhí)行比較基礎(chǔ)的數(shù)學(xué)運算。但實際上，Excel是一款能夠解決復(fù)雜問題的強大計算工具，其中包含的不少功能甚至允許您直接在工作簿中創(chuàng)建機器學(xué)習(xí)模型。

雖然我本人多年來一直在使用Excel數(shù)學(xué)工具，但直到接觸到《通過Excel學(xué)習(xí)數(shù)據(jù)挖掘：逐步理解機器學(xué)習(xí)方法》（Learn Data Mining Through Excel: A Step-by-Step Approach for Understanding Machine Learning Methods ）中Hong Zhou提出的學(xué)習(xí)方法，我才意識到Excel在數(shù)據(jù)科學(xué)與機器學(xué)習(xí)領(lǐng)域的學(xué)習(xí)與應(yīng)用意義。

文中介紹了如何通過Excel一步步掌握機器學(xué)習(xí)基礎(chǔ)知識，同時也展示了如何使用Excel基礎(chǔ)函數(shù)與高級工具實現(xiàn)多種算法。

雖然Excel絕對無法取代Python機器學(xué)習(xí)，但它仍是學(xué)習(xí)AI基礎(chǔ)知識并解決各類基本問題、同時又無需編寫代碼的絕佳入門選項。

使用Excel進行線性回歸機器學(xué)習(xí)

線性回歸是一種簡單的機器學(xué)習(xí)算法，在分析數(shù)據(jù)與預(yù)測結(jié)果方面有著重要用途。具體來講，線性回歸特別適合處理那些整齊排列的表格式數(shù)據(jù)。Excel提供多項功能，可幫助您通過電子表格中的數(shù)據(jù)創(chuàng)建回歸模型。

作為一款直觀工具，數(shù)據(jù)圖表工具能夠提供強大的數(shù)據(jù)可視化功能。例如，你可以通過散點圖在笛卡爾平面上顯示數(shù)據(jù)的值。但除了顯示數(shù)據(jù)分布之外，Excel圖表工具還可以創(chuàng)建機器學(xué)習(xí)模型，用以預(yù)測數(shù)據(jù)值的變化。這項功能名為趨勢線，可根據(jù)您的數(shù)據(jù)創(chuàng)建回歸模型。你可以在趨勢線選定多種回歸算法，包括線性、多項式、對數(shù)與指數(shù)。你還可以配置圖表以顯示機器學(xué)習(xí)模型中的參數(shù)，借此預(yù)測新的觀察結(jié)果。

當(dāng)然，你還可以將多個趨勢線添加至同一圖表當(dāng)中，借此快速測試并比較不同機器學(xué)習(xí)模型在同一批數(shù)據(jù)上的性能。

除了體驗圖表工具之外，《通過Excel學(xué)習(xí)數(shù)據(jù)挖掘》還提供其他一些體驗流程，幫助您開發(fā)出更高級的回歸模型。其中涵蓋LINEST與LINREG等公式，可根據(jù)您的訓(xùn)練數(shù)據(jù)為機器學(xué)習(xí)模型計算出必要參數(shù)。

作者還引領(lǐng)大家逐步使用其他Excel基礎(chǔ)公式（例如SUM與SUMPRODUCT）創(chuàng)建線性回歸模型。整本書都遵循類似的套路：介紹機器學(xué)習(xí)模型中使用的數(shù)學(xué)公式，了解其背后的基本原理，并通過將值與公式組合在多個單元格及單元格數(shù)組中逐步創(chuàng)建出模型。

這一切距離生產(chǎn)級數(shù)據(jù)科學(xué)工作還很遙遠(yuǎn)，但在學(xué)習(xí)機器學(xué)習(xí)方面卻是效果拔群，足以幫助大家快速掌握各類常用的機器學(xué)習(xí)算法。

通過Excel掌握其他機器學(xué)習(xí)算法

除了回歸模型，你還可以在Excel上應(yīng)用其他機器學(xué)習(xí)算法?！锻ㄟ^Excel學(xué)習(xí)數(shù)據(jù)挖掘》中還提供豐富的監(jiān)督與無監(jiān)督機器學(xué)習(xí)算法，包括k均值聚類、k最近鄰、樸素貝葉斯分類與決策樹等等。

雖然整個過程可能顯得有點混亂，但只要按章節(jié)進行，大家會很快摸索出其中的邏輯。以k均值聚類為例，我們將在這一章中通過多個工作表使用大量Excel公式與函數(shù)（INDEX, IF, AVERAGEIF, ADDRESS等），借此計算聚類中心并對其進行優(yōu)化。這并不是最有效的聚類方法，但在通過一個個工作表對聚類進行不斷完善的過程中，您將獲得良好的觀察與研究機會。更重要的是，這種體驗與傳統(tǒng)編程書籍大不相同。一般的編程書籍往往引導(dǎo)讀者直接使用數(shù)據(jù)點與機器學(xué)習(xí)庫函數(shù)，借此直接輸出聚類及其屬性。

圖注：在Excel上進行k均值聚類時，可以在連續(xù)的工作表上進行聚類細(xì)化。

在決策樹一章中，我們將首先計算熵，再為機器學(xué)習(xí)模型中的各個分支選擇特征。這個過程非常緩慢而且需要大量人為操作，但卻能給各位帶來有效的機器學(xué)習(xí)算法理解視角與體驗。

在本書的多數(shù)章節(jié)中，我們都會使用求解器工具嘗試實現(xiàn)損失函數(shù)最小化。在這里，大家會深刻體會到Excel的局限性——即使是只包含十幾項參數(shù)的簡單模型，也可能令計算機陷入緩慢的抓取當(dāng)中。而一旦數(shù)據(jù)樣本多達(dá)幾百行，速度更是令人抓狂。但在對機器學(xué)習(xí)模型參數(shù)進行調(diào)優(yōu)的過程中，求解器能夠表現(xiàn)出強大的功能。

通過Excel進行深度學(xué)習(xí)與自然語言處理

《通過Excel學(xué)習(xí)數(shù)據(jù)挖掘》還提到，Excel甚至能夠?qū)崿F(xiàn)某些高級機器學(xué)習(xí)算法。其中一章專門研究如何精心設(shè)計深度學(xué)習(xí)模型。首先，我們將創(chuàng)建一套包含約10項參數(shù)的單層人工神經(jīng)網(wǎng)絡(luò)。接下來，我們擴展其概念，創(chuàng)建出包含隱藏層的深度學(xué)習(xí)模型。雖然整個計算過程緩慢且效率低下，但確實可以正常起效，通過單元格值、公式以及強大的求解器工具實現(xiàn)深度學(xué)習(xí)推理。

圖注：使用微軟Excel進行深度學(xué)習(xí)，可幫助你深入理解深度神經(jīng)網(wǎng)絡(luò)的運作方式。

在最后一章中，我們將使用Excel創(chuàng)建一款最基礎(chǔ)的自然語言處理（NLP）應(yīng)用程序，借此建立情感分析機器學(xué)習(xí)模型。大家需要使用公式創(chuàng)建“詞袋模型”，借此對酒店評論進行預(yù)處理與令牌化，而后根據(jù)肯定與否定關(guān)鍵字的密度對內(nèi)容進行分類。在此過程中，大家將學(xué)到很多關(guān)于當(dāng)代AI如何處理語言內(nèi)容，以及AI與人類在處理局面及口頭語言方面有何不同的專業(yè)知識。

Excel——強大的機器學(xué)習(xí)工具

無論你身為企業(yè)中的決策者、來自人力資源部門還是負(fù)責(zé)管理供應(yīng)鏈及制造工廠，要想與數(shù)據(jù)科學(xué)家及AI技術(shù)人員協(xié)同合作，掌握機器學(xué)習(xí)方面的基礎(chǔ)知識都非常重要。同樣的，如果你身為報道AI動態(tài)的記者，或者身在為企業(yè)內(nèi)機器學(xué)習(xí)團隊發(fā)聲的公關(guān)部門，理解相關(guān)工作原理也是編撰報道文章的重要基礎(chǔ)。在我看來，《通過Excel學(xué)習(xí)數(shù)據(jù)挖掘》是一本易于閱讀且節(jié)奏順暢的好書，足以幫助大家一鼓作氣上完這關(guān)于AI知識的第一課。

除了學(xué)習(xí)基礎(chǔ)知識之外，Excel還可以作為我們機器學(xué)習(xí)工具集的強大補充。雖然它不適合處理龐大的數(shù)據(jù)集與復(fù)雜的算法，但足以針對小批量數(shù)據(jù)完成可視化及分析。你從Excel快速挖掘中獲得的結(jié)果，將為后續(xù)的探索方向與機器學(xué)習(xí)算法選擇提供重要洞見，最終引導(dǎo)你走上解決問題的正確道路。