新手入门到升阶的机器学习过程中的四个方向研究准备，你做过几个？

布满荆棘的人生 2022-09-11 09:19 36阅读 0赞

### 文章目录 ###

*  内容介绍
 *  机器学习研究工具
 *  研究机器学习数据集
 *  研究了一种机器学习算法。
 *  实现机器学习算法
 *  小工程方法
 *  附加项目提示

# 内容介绍 #

进入机器学习领域的途径很多，大多数都是从理论开始的。

如果你是个程序员你已经具备了将问题分解成它们的组成部分，并建立小型项目的原型，以便学习新的技术、库和方法。对于任何专业程序员来说，这些都是重要的技能，这些技能可以用来开始机器学习。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]

你必须学习这个理论才能有效地进行机器学习，但是你可以利用你的兴趣和对知识的渴望来激励你从工作实例到对算法的数学理解。

在这里，您将学习到程序员可以遵循的四种策略来开始机器学习。这是技术人员的道路，它是实际的和经验性的，需要你进行研究和完成实验，以建立你自己的直觉。

这四项战略是：

1.  机器学习工具的研究
2.  机器学习数据集的研究
3.  一种机器学习算法的研究
4.  一种机器学习算法的实现

仔细阅读这些策略，选择一个你觉得最适合你的策略，然后随心所欲地执行。

# 机器学习研究工具 #

选择您喜欢的工具或库，并学习如何很好地使用它。

我建议您从一个为数据准备、机器学习算法和结果表示提供工具的环境开始。学习这样一个环境可以让你更好地掌握机器学习的过程，这对你来说比学习特定的数据准备技术或机器学习算法更有价值。

或者，您可能对一种特定的技术系列感兴趣。您可以利用这一机会深入研究提供这些方法的库或工具，并通过掌握提供对该技术的访问权限的库来掌握该技术。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]

对于此策略，您可以这样：

*  比较和对比您可以从中选择的候选工具。
 *  总结您所选择的工具的功能。
 *  阅读并总结该工具的文档。
 *  完成该工具的文本或视频教程，并总结您完成的每个教程的关键学习要点。
 *  为工具的特性或功能创建教程。选择你不太了解的东西，创建一个获得结果的进程，或者记录一个5分钟的关于如何使用这个特性的屏幕。

您应该考虑的一些环境包括：

*  [R][]
 *  [Weka][]
 *  [scikit-learn][]
 *  [waffles][]
 *  [orange][]

# 研究机器学习数据集 #

选择一个数据集并密切理解它，并发现哪个算法类或类型最适合它。

我建议您选择一个适当大小的数据集，该数据集可能已经很好地应用到内存中。有优秀的数据源库可供您浏览和选择。您的目标是了解数据源所代表的基本问题、数据集中的结构以及最适合该问题的解决方案类型。

使用机器学习或统计环境来研究数据集。这将使您能够专注于您希望回答的有关数据集的问题，而不是因为学习给定的技术并学习如何在代码中实现它而分心。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]

一些可以帮助您学习实验机器学习数据集的策略如下：

1.  清楚地描述DataSet所代表的问题。
2.  使用描述性统计来总结数据。
3.  描述您在数据中观察到的结构，并对数据中的关系进行假设。
4.  在数据集上测试一些流行的机器学习算法，并发现哪个通用类比其他类表现得更好。
5.  优化性能良好的算法，并发现在此问题上表现良好的算法和算法配置。

您可能希望考虑的一些高质量数据集的存储库如下

*  [UCI ML仓库][UCI ML]
 *  [kaggle][]
 *  [Data.gov.][]

# 研究了一种机器学习算法。 #

选择一个算法并深入理解它，并发现在不同数据集中稳定的参数配置。

我建议您从一个稍微复杂的算法开始。选择一个可以很好理解的算法，您可以从中选择许多开源实现，并且没有什么可供您探索的参数。您的目标是建立该算法如何在一系列问题和参数配置中执行的直觉。

使用机器学习环境或库。这将允许您将算法的行为作为一个“系统”来关注，而不是用规范的数学描述和参考文献来关注自己。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 3]

在研究所选择的机器学习算法时，您可以使用以下一些策略：

1.  总结了系统的参数及其对算法的预期影响。
2.  选择一组适合该算法的数据集，这些数据集可能导致不同的行为。
3.  选择您认为会从系统中引出不同行为的算法参数配置，并列出您可能从系统中期望的行为。
4.  考虑一个算法的行为，该算法可以在算法的迭代、更新过程或其他时间间隔中被监视。
5.  使用一个或多个数据集、算法配置和行为度量组合设计小型实验，以回答特定问题并报告结果。

你的学习可以是简单的，也可以是复杂的。在高端，你可以探索所谓的启发式或经验法则来应用算法，并经验性地演示它们是否有优点，如果有，在什么情况下它们与成功的结果相关。

您可能会考虑的一些算法包括：**最小二乘线性回归、Logistic回归、k-最近邻分类、感知器** 等等。

# 实现机器学习算法 #

选择一个算法，并将现有实现实现或移植到您选择的语言中。

选择一个复杂度适中的算法来实现。我建议对您要实现的算法进行一些详细的研究，或者选择您喜欢的实现，并将其移植到所选的目标编程语言中。

从头开始手工实现一个算法是一个很好的方法，可以了解在将一个算法描述转换为一个正常运行的系统时必须做出的无数的微观决策。通过在多个算法中重复这个过程，您将很快获得关于如何在研究论文和书籍中阅读算法的数学描述的直觉。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 4]

在从无到有地实现机器学习算法时，可能会帮助您的五个策略是：

1.  从移植开始。将开源算法实现从一种语言移植到另一种语言将教会您如何实现该算法并使其成为您自己的语言。这是最快的方式开始，并强烈建议。
2.  选择一个要工作的算法描述，并收集其他算法描述，以支持您对主要参考资料的消费。
3.  不要害怕接触算法作者，论文作者，甚至算法实现作者问问题，以帮助您消除您对算法描述的理解歧义。
4.  阅读大量目标算法的实现。了解不同程序员如何解释算法描述并将其转换为代码。
5.  不要被先进的方法所纠缠。许多机器学习算法在其核心部分采用了先进的优化方法。不要尝试重新实现这些方法，除非这是项目的重点。使用提供优化算法的库，或者使用易于实现的简单优化算法(如梯度下降)，或者在库中提供给您。

# 小工程方法 #

这四种策略是一种我称之为“小项目”的方法。这是一种方法，你可以使用非常迅速地建立实用技能的技术领域的研究，如机器学习。一般的想法是，你设计和执行的小项目，目标是一个特定的问题，你想要回答。

小项目在几个维度中是小的，以确保它们已经完成，并且您提取学习的好处并转移到下一个项目。以下是您应该考虑对项目施加的限制：

*  **时间少**，项目从开始到提出结果不应超过5至15小时。这将允许你完成一个小项目在一个星期的夜晚和周末的时间离开你的9-5的工作。
 *  **范围小**，一个项目应该解决你感兴趣的问题的最狭窄的版本，并且仍然是有意义的。例如，在一般情况下，不要解决这个问题，而是“编写一个程序来告诉我是否会转发推特”，而只是在给定的时间内针对特定的Twitter帐户来解决这个问题。
 *  **资源少**一个项目应该能够在你的台式机或笔记本电脑上完成，并连接到互联网上。你不应该需要外来的软件，网络基础设施，或第三方数据或服务。收集文件所需的数据，将其加载到内存中，并使用开放源码工具攻击您的狭隘问题。

# 附加项目提示 #

这些策略的原则是采取行动，并利用您的程序员技能集。以下是帮助你调整心态以便采取行动的三条建议：

1.  写下你学到的东西。我建议您有一个有形的工作产品，为您采取的每一步。这可能是日志、推特、博客文章或开源项目中的一个注释。每个工作产品都充当锚和里程碑。
2.  除非这是项目的目的，否则不要编写代码。。这个技巧并不明显，但在加速你对机器学习的理解方面可能是最大的。
3.  目标是让你学习一些东西，而不是去创造一个独特的资源。。没有人会阅读你的研究，或教程或说明的一个算法，忽略这一点，目前。他们是你的观点和你的工作成果，以证明你现在知道一些东西。

**选一个开启学习之旅！**

你会选择哪种策略，你的第一步是什么？选择一个并在下面的评论中声明你的意图。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/e69a8e260fb54a068c1816bdd1a19ae7.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/a14c3758ba9f4798b15e4d1033885284.png
[R]: https://www.r-project.org/
[Weka]: https://waikato.github.io/weka-wiki/
[scikit-learn]: https://scikit-learn.org/stable/
[waffles]: http://gashler.com/mike/waffles/
[orange]: https://orangedatamining.com/
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220828/f13fdfb360ba4fa98d4d92205d917a10.png
[UCI ML]: https://archive.ics.uci.edu/ml/datasets.html
[kaggle]: https://www.kaggle.com/
[Data.gov.]: https://www.data.gov/
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220828/6667d8f860764c32b7226dd698ff0cd2.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 4]: /images/20220828/20b1224e287743a2b693b566f9366b23.png