颠覆传统，掌握正确的方法机器学习没有你想的那么难

朱雀 2022-09-12 13:58 151阅读 0赞

### 文章目录 ###

*  内容介绍
 *  概述
 *  自下而上的学习
 *  学习阅读
 *  我们学开车
 *  学习编码
 *  自上而下的学习
 *  学习机器学习
 *  学习数学

# 内容介绍 #

数学、物理甚至计算机科学等技术主题都是使用自下而上的方法教授的。

这种方法涉及以逻辑方式布置研究领域的主题，复杂性和能力自然发展。

问题是，人类不是执行学习程序的机器人。我们需要动力、兴奋，最重要的是，将主题与实际结果联系起来。

我们每天使用的有用技能，如阅读、驾驶和编程，不是通过这种方式学习的，实际上是使用倒置的自上而下的方法学习的。这种自上而下的方法可用于直接学习技术科目，例如机器学习，这可以让您更快地提高工作效率，并带来很多乐趣。

在这篇文章中，您将发现自上而下和自下而上学习技术材料的方法之间的具体区别，以及为什么从业者应该使用这种方法来学习机器学习甚至相关数学。  
![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]

# 概述 #

这是一篇重要的博客文章，因为我认为它真的可以帮助您摆脱自下而上的大学式机器学习学习方式。

# 自下而上的学习 #

选择一个研究领域，例如数学。

有一种合乎逻辑的方式来布置数学中的主题，这些主题相互建立，并通过技能、能力和理解的自然进步来引导。

问题是，这种合乎逻辑的进展可能只对那些已经在另一边并且可以凭直觉理解主题之间关系的人有意义。

学校的大部分内容都是围绕着这种通过材料自下而上的自然发展而建立的。许多技术和科学研究领域都是通过这种方式教授的。

回想一下高中或本科学习以及您可能从事过的基本领域：例如：

*  数学，如前所述。
 *  生物学。
 *  化学。
 *  物理。
 *  计算机科学。

想想材料是如何布置的，每周，一个学期，一个学期，每年。自下而上，合乎逻辑的进展。

问题是，通过材料的逻辑进展可能不是为了提高效率而学习材料的最佳方式。

我们不是执行学习程序的机器人。我们是情绪化的人，需要动力、兴趣、关注、鼓励和结果。

你可以自下而上地学习技术科目，一小部分人确实喜欢这种方式，但这不是唯一的方式。

现在，如果您已经完成了一门技术科目，请回想一下您是如何实际学习它的。我敢打赌这不是自下而上的。

# 学习阅读 #

回想一下你是怎么学会阅读的？

我儿子开始读书了。不用多想，以下是他使用的一般方法：

*  从阅读开始，以产生兴趣并展示好处。
 *  放下字母表并发出正确的声音。
 *  记住最常用的单词、它们的发音以及如何拼写。
 *  学习“拼出单词”的启发式方法来处理未知单词。
 *  在监督下通读书籍。
 *  在没有监督的情况下阅读书籍。

重要的是，他要不断地知道为什么阅读很重要，这与他想做的非常有形的事情有关，例如：

*  阅读电视节目的字幕。
 *  阅读有关他喜欢的主题的故事，例如星球大战。
 *  我们外出时阅读标志和菜单。
 *  很快…

同样重要的是，他获得了可以跟踪并看到改进的结果。

*  词汇量更大。
 *  更流畅的阅读风格
 *  越来越复杂的书籍。

以下是他没有学会阅读的原因：

*  词类定义（动词、名词、副词等）
 *  语法规则。
 *  标点符号规则。
 *  人类语言理论。

# 我们学开车 #

你开车吗？

如果你不这样做，这很酷，但大多数成年人出于必要而这样做。社会和城市设计是围绕个人流动性而建立的。

你是怎么学会开车的？

我记得一些笔试，也许是在计算机上的测试。我没有为他们学习的记忆，尽管我很可能有。这是我记得的。

我记得聘请了一位驾驶教练并进行驾驶课程。每节课都很实用，在车上，练习我需要掌握的技能，在交通中驾驶车辆。

以下是我没有与我的驾驶教练学习或讨论的内容：

*  汽车的历史。
 *  内燃机理论。
 *  汽车常见的机械故障。
 *  汽车的电气系统。
 *  交通流理论。

直到今天，我仍然设法在不了解这些主题的情况下安全驾驶。

事实上，我从没想过要学习这些主题。我的需求或兴趣为零，他们不会帮助我实现我想要和需要的东西，即安全和轻松的个人移动。

如果车坏了，我会打电话给专家。

# 学习编码 #

我开始编程时对编码或软件工程的含义一无所知。

在家里，我在 Basic 中处理命令。我在 Excel 中处理命令。我修改了电脑游戏。等等。好玩。

当我开始学习编程和软件工程时，那是在大学里，是自下而上的。

我们开始于：

*  语言理论
 *  数据类型
 *  控制流结构
 *  数据结构
 *  等等

当我们开始编写代码时，它是在命令行上，并受到编译器问题、路径问题以及与实际学习编程无关的一大堆问题的困扰。

**讨厌编程？**

快进几年。不知何故，我最终开始在一些受到用户重视的复杂系统上担任专业软件工程师。我真的很擅长它，我喜欢它。

最后，我做了一门课程，展示了如何创建图形用户界面。另一个展示了如何使用套接字编程让计算机相互通信。另一个关于如何使用线程同时运行多个事物。

我将无聊的东西与我真正喜欢的东西联系起来：制作可以解决问题的软件，其他人可以使用。我将它与重要的事情联系起来。它不再抽象和深奥。

至少对我和许多像我一样的开发人员来说，他们教错了。他们真的做到了。像我这样热情而没有时间的学生可以将数年的时间、精力和成果/成果浪费在他们真正热爱的事情上。

# 自上而下的学习 #

自下而上的方法不仅是教授技术主题的常用方法；它看起来像唯一的方法。

至少在您考虑如何实际学习之前。

大学课程的设计者，他们学科领域的大师，正在努力提供帮助。他们正在布置一切，通过他们认为可以让您获得所需技能和能力的材料（希望如此）为您提供合乎逻辑的进展。

正如我提到的，它对某些人有用。

它对我不起作用，我希望它对你不起作用。事实上，我遇到的非常擅长他们的技术的程序员很少是通过计算机科学程序来的，或者如果他们这样做了，他们在家里独自学习，在业余项目中进行黑客攻击。

另一种方法是自上而下的方法。

**颠覆传统方法**

不要从定义和理论开始。相反，首先将主题与您想要的结果联系起来，并展示如何立即获得结果。

制定一个计划，专注于实践这个获得结果的过程，根据需要深入一些领域，但始终在他们需要的结果的背景下。

**不同之处**

这不是传统的路径。

如果您走这条路，请注意不要使用传统的思维方式或比较方式。责任在于你自己。没有系统可以指责。只有停下来才会失败。

*  **它是迭代的** ，主题被多次重温，有更深的理解。
 *  **这是不完美的**，一开始的结果可能很差，但随着实践的提高。
 *  **它需要发现**，学习者必须对持续学习和发现持开放态度。
 *  **它需要所有权**，学习者负责改进。
 *  **它需要好奇心**，学习者必须注意他们感兴趣的东西并遵循它。

**有危险的地方**

说真的，我听过很多次“专家”这样说，比如：

> 你必须先了解理论，才能使用这个技巧，否则你不能正确使用它。

我同意结果一开始是不完美的，但改进甚至专业知识不仅必须来自理论和基础。

如果您认为初学者程序员不应该将更改推送到生产并部署它们，那么您肯定相信初学者机器学习从业者会受到同样的限制。

必须展示技能。

必须赢得信任。

无论技能是如何获得的，都是如此。

**你是技术员**

真的！？

这是我见过的针对这种学习方法的另一种“批评”。

确切地。我们想成为技术人员，在实践中使用工具来帮助人们，而不是成为研究人员。

您不需要涵盖所有相同的领域，因为您有不同的学习目标。尽管一旦有了可以整合抽象知识的上下文，您就可以回过头来学习任何您喜欢的东西。

工业开发人员不是计算机科学家；他们是工程师。他们是这门手艺的骄傲技术员。

**高效、有效且有趣的学习方式**

以这种方式学习的好处大大超过了挑战：

*  你直接去做你想要的事情并开始练习它。
 *  你有一个连接更深层次的知识甚至理论的背景。
 *  您可以根据您的主题目标有效地筛选和过滤主题。

这样更快、更有趣。而且，我敢打赌它会让你变得更好。

因为这个主题在情感上与你有关。您已将其与对您很重要的结果或结果联系起来。你被投资了。你有明显的能力。我们都喜欢自己擅长的事情（即使我们对自己的优秀程度有点色盲），这会激发动力、热情和激情。

一个热情的学习者会直接超越原教旨主义者。

# 学习机器学习 #

那么，您是如何处理机器学习这个主题的呢？

说真的，在下面的评论中告诉我你的方法。

*  你在学习自下而上的大学课程吗？
 *  是否在这样的课程中为您的学习建模？

或者：

您是否遵循自上而下的方法，但充满内疚、数学嫉妒和不安全感？

你不是一个人; 我每天都在帮助这个网站上的初学者时看到这一点。

为了为您连接点，我强烈建议您使用自上而下的方法学习机器学习。

*  不要从初级数学开始。
 *  不要从机器学习理论开始。
 *  不要从头开始编写每个算法。

一旦您对这些抽象知识有了联系，这一切都可以在以后完善和加深您的理解。

*  首先学习如何使用带有免费且易于使用的开源工具的固定框架来解决非常简单的预测建模问题。
 *  在许多小项目上练习，慢慢增加它们的复杂性。
 *  通过建立公共投资组合来展示您的作品。

大学里的“专家”会说这是危险的、徒劳的，别理他们。

世界一流的从业者会告诉您这是他们学习并继续学习的方式。为他们建模。

记住：

*  你通过练习阅读来学习阅读，而不是通过学习语言理论。
 *  你是通过练习驾驶来学习驾驶的，而不是通过学习内燃机。
 *  你通过练习编码来学习编码，而不是通过学习可计算性理论。

您可以通过练习预测建模来学习机器学习，而不是通过学习数学和理论。

这不仅是我学习和继续实践机器学习的方式，而且帮助了我的数千名学生。

# 学习数学 #

不要停在那里。

当您想要或需要拉开机器学习的数学支柱（如线性代数、微积分、统计学、概率等）的帷幕时，可能会到来。

您可以使用完全相同的自上而下的方法。

选择一个对您重要的目标或结果，并将其用作镜头、过滤器或筛选主题，以研究和学习获得该结果所需的深度。

例如，假设您选择线性代数。

目标可能是了解 SVD 或 PCA。这些是机器学习中用于数据投影、数据缩减和特征选择类型任务的方法。

自上而下的方法可能是：

*  在 scikit-learn 等高级库中实现该方法并获得结果。
 *  在 NumPy/SciPy 等低级库中实现该方法并重现结果。
 *  直接使用 NumPy 或 Octave 中的矩阵和矩阵运算来实现该方法。
 *  研究和探索所涉及的矩阵算术运算。
 *  研究和探索所涉及的矩阵分解操作。
 *  近似矩阵特征分解的研究方法。
 *  等等…

目标提供了背景，你可以让你的好奇心定义学习的深度。

按照这种方式，学习数学与学习编程、机器学习或其他技术学科中的任何其他主题没有什么不同。

它的效率很高，而且很有趣！

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/dedda9ff387946d396e67d4b19e22b6f.png