我将介绍5个“机器学习”的步骤,这五个步骤是非常规的。
传统的机器学习方法是自下而上的。从理论和数学开始,然后学习算法执行,再教你如何解决实际问题(实践)。
入门者如果以传统的“机器学习”步骤学习,会发现自己总是和真正的“机器学习”工作者存在差距,这也是以往学习方法中存在的缺点。
本文所介绍的步骤与传统学习方法不同,本文推荐初学者从结果着手。
它所满足的,正是企业所想要的: 如何交付结果。
一系列预测或模型的结果,能够可靠地预测。
这是一种自上而下和结果优先的方法。
从满足市场要求出发,最短的路径是真正成为这个行业的从业者。
我们可以通过以下5个步骤来概括这种方法:
就是这么简单
这是我所有电子书培训背后所展示出的哲学思考。
这也是我创建这个网站的原因。如果我知道更简便的方法,我可以直接在这与他人分享。
下面是一张漫画,简单地展示了这个过程,其中第1步(思维方式)和第2步(展示你的作品)为简洁起见省略。
学习机器学习的一种更好的方法是从端到端的工作机器学习问题开始。
让我们仔细看一下每一步。
在开始之前,您必须知道机器学习的标志。
我经常只是假设这一点,但除非你知道一些真实的基础知识,否则你不能继续下去。
例如:
机器学习不仅仅是为了成为该领域的专业人员、为了成才或是学位。
你可以学习这些知识,并将其用于解决实际问题。
有些人总有理借口,始终不开始学习。
真的,只有一件事可以阻止你入门,并善于机器学习——就是你自己!
清除阻止你入门的限制性信念。
这篇文章可能有帮助:
有很多速度颠簸,你可以打。
识别他们,解决他们,并继续前进。
一旦你知道你可以做机器学习,理解为什么。
仔细想想这个话题,试着找出你的“ 为什么 ”。
这篇文章可能会让你有更深入的认识:
一旦知道了“ 为什么 ”,就如同给自己打了一剂强心剂。
你对哪一组机器学习从业者有最大的亲和力?
每个人群都有不同的兴趣,从不同的方向走向机器学习领域。
当然,并不是所有的书籍和材料都适合你,你需要找到你的领域,然后找到适合你的材料。
这篇文章可能有帮助:
你想在问题后得到高于平均水平的结果吗?
你需要遵循一个系统化的过程。
一个系统的过程就是过山车一方面是好的还是坏的结果,一方面是高于平均水平,另一方面是永远改善的结果。
我推荐的流程模板如下所示:
下面这幅图,总结了上方的流程:
通过一个系统化、可重复的流程,可以得出一个一致的结果。
您可以在这篇文章中了解更多关于流程的信息
你并不一定要使用这个流程,但是你需要系统化的流程来处理预测建模问题。
选择一个可以用来提供机器学习结果的最佳工具。
将您的过程映射到工具上,并学习如何最有效地使用它。
我推荐的工具有三种:
我也有专业领域的建议:
学习如何使用选择的工具,研究它,精通它。
编程语言并不重要。
即使你使用的工具并不重要。
通过问题学习的技能将轻松地从平台转移到平台。
不过,下面是机器学习中各种语言受欢迎程度的调查结果:
虽然有了系统化流程和相关工具,仍需要多加练习,方能生巧。
在标准机器学习数据集上的实践。
练习不同类型的数据集,练习一些让你不喜欢的问题,因为你将不得不提高技术来获得解决方案。在数据问题中找出不同的特征,例如:
这些是最常用和最好理解的数据集,也是最好的开始。
在这篇文章中了解更多:
这些数据集通常较大,需要更多的准备才能建模。
有关您可以练习的最受欢迎的数据集列表,请参阅以下文章:
收集有关您的重要机器学习问题的数据。
你会发现你所设计的问题和解决方案更有价值。
欲了解更多信息,请查看帖子:
把自己完成的项目内容,放入一个收藏夹,把它们好好利用起来(有点像高中的错题集)。
在您处理数据集并获得更好的效果时,请汇总您的发现、学习经验到自己的收藏夹。
它们每一个都代表了您不断增长的经验之一。
就像一个画家,你可以建立一个完整的收藏夹,来展示你在机器学习的成果递送技术。
您可以在该文章中了解更多关于这种方法的信息:
当你觉得自己的收藏夹已经硕果累累的时候,你甚至可以选择利用它来承担更多的工作责任,或者成为一个新的机器学习的重点角色。
欲了解更多信息,请看这篇文章:
以下是您在使用此过程时可能会考虑的一些实用技巧和窍门。
在这篇文章中,您看到了简单的5个步骤,您可以使用它学习“机器学习”并取得学习进展。
虽然看上去很简单,但这种方法却需要付出艰辛的努力,最终将受益无穷。
我的许多学生都是通过这个步骤来学习的,而且还是机器学习的工程师和数据科学家。
如果您对这个过程和相关想法有更深入的了解,请参阅以下文章: