1. 引言

也許你和這個(gè)叫『機(jī)器學(xué)習(xí)』的家伙一點(diǎn)也不熟买猖，但是你舉起iphone手機(jī)拍照的時(shí)候匾委，早已習(xí)慣它幫你框出人臉孽文；也自然而然點(diǎn)開今日頭條推給你的新聞箩帚；也習(xí)慣逛淘寶點(diǎn)了找相似之后貨比三家钱骂；亦或喜聞樂見微軟的年齡識(shí)別網(wǎng)站結(jié)果刷爆朋友圈叔锐。恩挪鹏，這些功能的核心算法就是機(jī)器學(xué)習(xí)領(lǐng)域的內(nèi)容。

套用一下大神們對機(jī)器學(xué)習(xí)的定義愉烙，機(jī)器學(xué)習(xí)研究的是計(jì)算機(jī)怎樣模擬人類的學(xué)習(xí)行為讨盒，以獲取新的知識(shí)或技能，并重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身步责。簡單一點(diǎn)說返顺，就是計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)出規(guī)律和模式，以應(yīng)用在新數(shù)據(jù)上做預(yù)測的任務(wù)勺择。近年來互聯(lián)網(wǎng)數(shù)據(jù)大爆炸创南，數(shù)據(jù)的豐富度和覆蓋面遠(yuǎn)遠(yuǎn)超出人工可以觀察和總結(jié)的范疇，而機(jī)器學(xué)習(xí)的算法能指引計(jì)算機(jī)在海量數(shù)據(jù)中省核，挖掘出有用的價(jià)值稿辙，也使得無數(shù)學(xué)習(xí)者為之著迷。

但是越說越覺得機(jī)器學(xué)習(xí)有距離感气忠，云里霧里高深莫測邻储，我們不是專家，但說起算有一些從業(yè)經(jīng)驗(yàn)旧噪，做過一些項(xiàng)目在實(shí)際數(shù)據(jù)上應(yīng)用機(jī)器學(xué)習(xí)吨娜。這一篇就我們的經(jīng)驗(yàn)和各位同仁的分享，總結(jié)一些對于初學(xué)者入門有幫助的方法和對進(jìn)階有用的資料淘钟。

2. 機(jī)器學(xué)習(xí)關(guān)注問題

并非所有的問題都適合用機(jī)器學(xué)習(xí)解決(很多邏輯清晰的問題用規(guī)則能很高效和準(zhǔn)確地處理)宦赠，也沒有一個(gè)機(jī)器學(xué)習(xí)算法可以通用于所有問題。咱們先來了解了解米母，機(jī)器學(xué)習(xí)勾扭，到底關(guān)心和解決什么樣的問題。

從功能的角度分類铁瞒，機(jī)器學(xué)習(xí)在一定量級(jí)的數(shù)據(jù)上妙色，可以解決下列問題：

1.分類問題

根據(jù)數(shù)據(jù)樣本上抽取出的特征，判定其屬于有限個(gè)類別中的哪一個(gè)慧耍。比如：

垃圾郵件識(shí)別(結(jié)果類別：1身辨、垃圾郵件 2、正常郵件)

文本情感褒貶分析(結(jié)果類別：1芍碧、褒 2煌珊、貶)

圖像內(nèi)容識(shí)別識(shí)別(結(jié)果類別：1、喵星人 2泌豆、汪星人 3定庵、人類 4、草泥馬 5、都不是)洗贰。

2.回歸問題

根據(jù)數(shù)據(jù)樣本上抽取出的特征，預(yù)測一個(gè)連續(xù)值的結(jié)果陨倡。比如：

星爺《美人魚》票房

大帝都2個(gè)月后的房價(jià)

隔壁熊孩子一天來你家?guī)状瘟沧蹋瑢櫺夷愣嗌偻婢?/p>

3.聚類問題

根據(jù)數(shù)據(jù)樣本上抽取出的特征，讓樣本抱抱團(tuán)(相近/相關(guān)的樣本在一團(tuán)內(nèi))兴革。比如：

google的新聞分類

用戶群體劃分

我們再把上述常見問題劃到機(jī)器學(xué)習(xí)最典型的2個(gè)分類上绎晃。

分類與回歸問題需要用已知結(jié)果的數(shù)據(jù)做訓(xùn)練，屬于“監(jiān)督學(xué)習(xí)”

聚類的問題不需要已知標(biāo)簽杂曲，屬于“非監(jiān)督學(xué)習(xí)”庶艾。

如果在IT行業(yè)(尤其是互聯(lián)網(wǎng))里溜達(dá)一圈，你會(huì)發(fā)現(xiàn)機(jī)器學(xué)習(xí)在以下熱點(diǎn)問題中有廣泛應(yīng)用：

1).計(jì)算機(jī)視覺

典型的應(yīng)用包括：人臉識(shí)別擎勘、車牌識(shí)別咱揍、掃描文字識(shí)別、圖片內(nèi)容識(shí)別棚饵、圖片搜索等等煤裙。

2).自然語言處理

典型的應(yīng)用包括：搜索引擎智能匹配、文本內(nèi)容理解噪漾、文本情緒判斷硼砰，語音識(shí)別、輸入法欣硼、機(jī)器翻譯等等题翰。

3).社會(huì)網(wǎng)絡(luò)分析

典型的應(yīng)用包括：用戶畫像、網(wǎng)絡(luò)關(guān)聯(lián)分析诈胜、欺詐作弊發(fā)現(xiàn)豹障、熱點(diǎn)發(fā)現(xiàn)等等。

4).推薦

典型的應(yīng)用包括：蝦米音樂的“歌曲推薦”耘斩，某寶的“猜你喜歡”等等沼填。3. 入門方法與學(xué)習(xí)路徑

OK，不廢話括授，直接切重點(diǎn)丟干貨了坞笙。看似學(xué)習(xí)難度大荚虚，曲線陡的機(jī)器學(xué)習(xí)薛夜，對大多數(shù)入門者也有一個(gè)比較通用的學(xué)習(xí)路徑，也有一些優(yōu)秀的入門資料可以降低大家的學(xué)習(xí)門檻版述，同時(shí)激發(fā)我們的學(xué)習(xí)樂趣梯澜。

簡單說來，大概的一個(gè)學(xué)習(xí)路徑如下：

簡單說一點(diǎn)渴析，之所以最左邊寫了『數(shù)學(xué)基礎(chǔ)』『典型機(jī)器學(xué)習(xí)算法』『編程基礎(chǔ)』三個(gè)并行的部分晚伙，是因?yàn)闄C(jī)器學(xué)習(xí)是一個(gè)將數(shù)學(xué)/算法理論和工程實(shí)踐緊密結(jié)合的領(lǐng)域吮龄，需要扎實(shí)的理論基礎(chǔ)幫助引導(dǎo)數(shù)據(jù)分析與模型調(diào)優(yōu)，同時(shí)也需要精湛的工程開發(fā)能力去高效化地訓(xùn)練和部署模型和服務(wù)咆疗。

需要多說一句的是漓帚，在互聯(lián)網(wǎng)領(lǐng)域從事機(jī)器學(xué)習(xí)的人，有2類背景的人比較多午磁，其中一部分(很大一部分)是程序員出身尝抖，這類同學(xué)工程經(jīng)驗(yàn)相對會(huì)多一些，另一部分是學(xué)數(shù)學(xué)統(tǒng)計(jì)領(lǐng)域的同學(xué)迅皇，這部分同學(xué)理論基礎(chǔ)相對扎實(shí)一些昧辽。因此對比上圖，2類同學(xué)入門機(jī)器學(xué)習(xí)登颓，所欠缺和需要加強(qiáng)的部分是不一樣的搅荞。

下面就上述圖中的部分，展開來分別扯幾句：

3.1 數(shù)學(xué)基礎(chǔ)

有無數(shù)激情滿滿大步向前挺据，誓要在機(jī)器學(xué)習(xí)領(lǐng)域有一番作為的同學(xué)取具，在看到公式的一刻突然就覺得自己狗帶了。是啊扁耐，機(jī)器學(xué)習(xí)之所以相對于其他開發(fā)工作暇检，更有門檻的根本原因就是數(shù)學(xué)。每一個(gè)算法婉称，要在訓(xùn)練集上最大程度擬合同時(shí)又保證泛化能力块仆，需要不斷分析結(jié)果和數(shù)據(jù)，調(diào)優(yōu)參數(shù)王暗，這需要我們對數(shù)據(jù)分布和模型底層的數(shù)學(xué)原理有一定的理解悔据。所幸的是如果只是想合理應(yīng)用機(jī)器學(xué)習(xí)，而不是做相關(guān)方向高精尖的research俗壹，需要的數(shù)學(xué)知識(shí)啃一啃還是基本能理解下來的科汗。至于更高深的部分，恩绷雏，博主非常愿意承認(rèn)自己是『數(shù)學(xué)渣』头滔。

基本所有常見機(jī)器學(xué)習(xí)算法需要的數(shù)學(xué)基礎(chǔ)，都集中在微積分涎显、線性代數(shù)和概率與統(tǒng)計(jì)當(dāng)中坤检。下面我們先過一過知識(shí)重點(diǎn)，文章的后部分會(huì)介紹一些幫助學(xué)習(xí)和鞏固這些知識(shí)的資料期吓。?

3.1.1 微積分

微分的計(jì)算及其幾何早歇、物理含義，是機(jī)器學(xué)習(xí)中大多數(shù)算法的求解過程的核心。比如算法中運(yùn)用到梯度下降法箭跳、牛頓法等晨另。如果對其幾何意義有充分的理解，就能理解“梯度下降是用平面來逼近局部谱姓，牛頓法是用曲面逼近局部”拯刁，能夠更好地理解運(yùn)用這樣的方法。

凸優(yōu)化和條件最優(yōu)化 的相關(guān)知識(shí)在算法中的應(yīng)用隨處可見逝段，如果能有系統(tǒng)的學(xué)習(xí)將使得你對算法的認(rèn)識(shí)達(dá)到一個(gè)新高度。

3.1.2 線性代數(shù)

大多數(shù)機(jī)器學(xué)習(xí)的算法要應(yīng)用起來割捅，依賴于高效的計(jì)算奶躯，這種場景下，程序員GG們習(xí)慣的多層for循環(huán)通常就行不通了亿驾，而大多數(shù)的循環(huán)操作可轉(zhuǎn)化成矩陣之間的乘法運(yùn)算嘹黔，這就和線性代數(shù)有莫大的關(guān)系了

向量的內(nèi)積運(yùn)算更是隨處可見。

矩陣乘法與分解在機(jī)器學(xué)習(xí)的主成分分析（PCA）和奇異值分解（SVD） 等部分呈現(xiàn)刷屏狀地出現(xiàn)莫瞬。

3.1.3 概率與統(tǒng)計(jì)

從廣義來說儡蔓，機(jī)器學(xué)習(xí)在做的很多事情，和統(tǒng)計(jì)層面數(shù)據(jù)分析和發(fā)掘隱藏的模式疼邀，是非常類似的喂江。

極大似然思想、貝葉斯模型 是理論基礎(chǔ)旁振，樸素貝葉斯(Na?ve Bayes )获询、語言模型(N-gram)、隱馬爾科夫（HMM）拐袜、隱變量混合概率模型是他們的高級(jí)形態(tài)吉嚣。

常見分布如高斯分布是混合高斯模型(GMM)等的基礎(chǔ)。

3.2 典型算法

絕大多數(shù)問題用典型機(jī)器學(xué)習(xí)的算法都能解決蹬铺，粗略地列舉一下這些方法如下：

處理分類問題的常用算法包括：邏輯回歸(工業(yè)界最常用)尝哆，支持向量機(jī)，隨機(jī)森林甜攀，樸素貝葉斯(NLP中常用)秋泄，深度神經(jīng)網(wǎng)絡(luò)(視頻、圖片赴邻、語音等多媒體數(shù)據(jù)中使用)印衔。

處理回歸問題的常用算法包括：線性回歸，普通最小二乘回歸（Ordinary Least Squares Regression）姥敛，逐步回歸（Stepwise Regression）奸焙，多元自適應(yīng)回歸樣條（Multivariate Adaptive Regression Splines）

處理聚類問題的常用算法包括：K均值（K-means），基于密度聚類，LDA等等与帆。

降維的常用算法包括：主成分分析（PCA）,奇異值分解（SVD） 等了赌。

推薦系統(tǒng)的常用算法：協(xié)同過濾算法

模型融合(model ensemble)和提升(boosting)的算法包括：bagging，adaboost玄糟，GBDT勿她，GBRT

其他很重要的算法包括：EM算法等等。

我們多插一句阵翎，機(jī)器學(xué)習(xí)里所說的“算法”與程序員所說的“數(shù)據(jù)結(jié)構(gòu)與算法分析”里的“算法”略有區(qū)別逢并。前者更關(guān)注結(jié)果數(shù)據(jù)的召回率、精確度郭卫、準(zhǔn)確性等方面砍聊，后者更關(guān)注執(zhí)行過程的時(shí)間復(fù)雜度、空間復(fù)雜度等方面贰军。 玻蝌。當(dāng)然，實(shí)際機(jī)器學(xué)習(xí)問題中词疼，對效率和資源占用的考量是不可或缺的俯树。

3.3 編程語言、工具和環(huán)境

看了無數(shù)的理論與知識(shí)贰盗，總歸要落到實(shí)際動(dòng)手實(shí)現(xiàn)和解決問題上许饿。而沒有工具所有的材料和框架、邏輯舵盈、思路都給你米辐，也寸步難行。因此我們還是得需要合適的編程語言书释、工具和環(huán)境幫助自己在數(shù)據(jù)集上應(yīng)用機(jī)器學(xué)習(xí)算法翘贮，或者實(shí)現(xiàn)自己的想法。對初學(xué)者而言爆惧，Python和R語言是很好的入門語言狸页，很容易上手，同時(shí)又活躍的社區(qū)支持扯再，豐富的工具包幫助我們完成想法芍耘。相對而言，似乎計(jì)算機(jī)相關(guān)的同學(xué)用Python多一些熄阻，而數(shù)學(xué)統(tǒng)計(jì)出身的同學(xué)更喜歡R一些斋竞。我們對編程語言、工具和環(huán)境稍加介紹：

3.3.1 python

python有著全品類的數(shù)據(jù)科學(xué)工具秃殉，從數(shù)據(jù)獲取坝初、數(shù)據(jù)清洗到整合各種算法都做得非常全面浸剩。

網(wǎng)頁爬蟲：scrapy

數(shù)據(jù)挖掘：

??1.pandas：模擬R，進(jìn)行數(shù)據(jù)瀏覽與預(yù)處理鳄袍。

??2.numpy：數(shù)組運(yùn)算绢要。

??3.scipy：高效的科學(xué)計(jì)算。

??4.matplotlib：非常方便的數(shù)據(jù)可視化工具拗小。

機(jī)器學(xué)習(xí):

1.scikit-learn：遠(yuǎn)近聞名的機(jī)器學(xué)習(xí)package重罪。未必是最高效的，但是接口真心封裝得好哀九，幾乎所有的機(jī)器學(xué)習(xí)算法輸入輸出部分格式都一致剿配。而它的支持文檔甚至可以直接當(dāng)做教程來學(xué)習(xí)，非常用心阅束。對于不是非常高緯度惨篱、高量級(jí)的數(shù)據(jù)，scikit-learn勝任得非常好(有興趣可以看看sklearn的源碼围俘，也很有意思)。

2.libsvm：高效率的svm模型實(shí)現(xiàn)(了解一下很有好處琢融，libsvm的系數(shù)數(shù)據(jù)輸入格式界牡，在各處都非常常見)

3.keras/TensorFlow：對深度學(xué)習(xí)感興趣的同學(xué)，也能很方便地搭建自己的神經(jīng)網(wǎng)絡(luò)了漾抬。

自然語言處理:

1.nltk：自然語言處理的相關(guān)功能做得非常全面宿亡，有典型語料庫，而且上手也非常容??易纳令。

交互式環(huán)境：

1.ipython notebook：能直接打通數(shù)據(jù)到結(jié)果的通道挽荠，方便至極。強(qiáng)力推薦平绩。

3.3.2 R

R最大的優(yōu)勢是開源社區(qū)圈匆，聚集了非常多功能強(qiáng)大可直接使用的包，絕大多數(shù)的機(jī)器學(xué)習(xí)算法在R中都有完善的包可直接使用捏雌，同時(shí)文檔也非常齊全跃赚。常見的package包括：RGtk2, pmml, colorspace, ada, amap, arules, biclust, cba, descr, doBy, e1071, ellipse等等。另外性湿，值得一提的是R的可視化效果做得非常不錯(cuò)纬傲，而這對于機(jī)器學(xué)習(xí)是非常有幫助的。

3.3.3 其他語言

相應(yīng)資深程序員GG的要求肤频，再補(bǔ)充一下java和C++相關(guān)機(jī)器學(xué)習(xí)package叹括。

Java系列

WEKA Machine Learning Workbench 相當(dāng)于java中的scikit-learn

其他的工具如Massive Online Analysis（MOA）、MEKA 宵荒、 Mallet 等也非常有名汁雷。

更多詳細(xì)的應(yīng)用請參考這篇文章《25個(gè)Java機(jī)器學(xué)習(xí)工具&庫》

C++系列

mlpack净嘀，高效同時(shí)可擴(kuò)充性非常好的機(jī)器學(xué)習(xí)庫。

Shark：文檔齊全的老牌C++機(jī)器學(xué)習(xí)庫摔竿。

3.3.4 大數(shù)據(jù)相關(guān)

Hadoop：基本上是工業(yè)界的標(biāo)配了面粮。一般用來做特征清洗、特征處理的相關(guān)工作继低。

spark：提供了MLlib這樣的大數(shù)據(jù)機(jī)器學(xué)習(xí)平臺(tái)熬苍，實(shí)現(xiàn)了很多常用算法。但可靠性袁翁、穩(wěn)定性上有待提高柴底。

3.3.5 操作系統(tǒng)

mac和linux會(huì)方便一些，而windows在開發(fā)中略顯力不從心粱胜。所謂方便柄驻，主要是指的mac和linux在下載安裝軟件、配置環(huán)境更快捷焙压。

對于只習(xí)慣windows的同學(xué)鸿脓，推薦anaconda，一步到位安裝完python的全品類數(shù)據(jù)科學(xué)工具包涯曲。

3.4 基本工作流程

以上我們基本具備了機(jī)器學(xué)習(xí)的必要條件野哭，剩下的就是怎么運(yùn)用它們?nèi)プ鲆粋€(gè)完整的機(jī)器學(xué)習(xí)項(xiàng)目。其工作流程如下：

3.4.1 抽象成數(shù)學(xué)問題

明確問題是進(jìn)行機(jī)器學(xué)習(xí)的第一步幻件。機(jī)器學(xué)習(xí)的訓(xùn)練過程通常都是一件非常耗時(shí)的事情拨黔，胡亂嘗試時(shí)間成本是非常高的。

這里的抽象成數(shù)學(xué)問題绰沥，指的我們明確我們可以獲得什么樣的數(shù)據(jù)篱蝇，目標(biāo)是一個(gè)分類還是回歸或者是聚類的問題，如果都不是的話徽曲，如果劃歸為其中的某類問題零截。

3.4.2 獲取數(shù)據(jù)

數(shù)據(jù)決定了機(jī)器學(xué)習(xí)結(jié)果的上限，而算法只是盡可能逼近這個(gè)上限秃臣。

數(shù)據(jù)要有代表性瞻润，否則必然會(huì)過擬合。

而且對于分類問題甜刻，數(shù)據(jù)偏斜不能過于嚴(yán)重绍撞，不同類別的數(shù)據(jù)數(shù)量不要有數(shù)個(gè)數(shù)量級(jí)的差距。

而且還要對數(shù)據(jù)的量級(jí)有一個(gè)評估得院，多少個(gè)樣本傻铣，多少個(gè)特征，可以估算出其對內(nèi)存的消耗程度祥绞，判斷訓(xùn)練過程中內(nèi)存是否能夠放得下非洲。如果放不下就得考慮改進(jìn)算法或者使用一些降維的技巧了鸭限。如果數(shù)據(jù)量實(shí)在太大，那就要考慮分布式了两踏。

3.4.3 特征預(yù)處理與特征選擇

良好的數(shù)據(jù)要能夠提取出良好的特征才能真正發(fā)揮效力败京。

特征預(yù)處理、數(shù)據(jù)清洗是很關(guān)鍵的步驟梦染，往往能夠使得算法的效果和性能得到顯著提高赡麦。歸一化、離散化帕识、因子化泛粹、缺失值處理、去除共線性等肮疗，數(shù)據(jù)挖掘過程中很多時(shí)間就花在它們上面晶姊。這些工作簡單可復(fù)制，收益穩(wěn)定可預(yù)期伪货，是機(jī)器學(xué)習(xí)的基礎(chǔ)必備步驟们衙。

篩選出顯著特征、摒棄非顯著特征碱呼，需要機(jī)器學(xué)習(xí)工程師反復(fù)理解業(yè)務(wù)蒙挑。這對很多結(jié)果有決定性的影響。特征選擇好了巍举，非常簡單的算法也能得出良好、穩(wěn)定的結(jié)果凝垛。這需要運(yùn)用特征有效性分析的相關(guān)技術(shù)懊悯，如相關(guān)系數(shù)、卡方檢驗(yàn)梦皮、平均互信息炭分、條件熵、后驗(yàn)概率剑肯、邏輯回歸權(quán)重等方法捧毛。

3.4.4 訓(xùn)練模型與調(diào)優(yōu)

直到這一步才用到我們上面說的算法進(jìn)行訓(xùn)練。現(xiàn)在很多算法都能夠封裝成黑盒供人使用让网。但是真正考驗(yàn)水平的是調(diào)整這些算法的（超）參數(shù)呀忧，使得結(jié)果變得更加優(yōu)良。這需要我們對算法的原理有深入的理解溃睹。理解越深入而账，就越能發(fā)現(xiàn)問題的癥結(jié)，提出良好的調(diào)優(yōu)方案因篇。

3.4.5 模型診斷

如何確定模型調(diào)優(yōu)的方向與思路呢泞辐？這就需要對模型進(jìn)行診斷的技術(shù)笔横。

過擬合、欠擬合 判斷是模型診斷中至關(guān)重要的一步咐吼。常見的方法如交叉驗(yàn)證吹缔，繪制學(xué)習(xí)曲線等。過擬合的基本調(diào)優(yōu)思路是增加數(shù)據(jù)量锯茄，降低模型復(fù)雜度厢塘。欠擬合的基本調(diào)優(yōu)思路是提高特征數(shù)量和質(zhì)量，增加模型復(fù)雜度撇吞。

誤差分析 也是機(jī)器學(xué)習(xí)至關(guān)重要的步驟俗冻。通過觀察誤差樣本，全面分析誤差產(chǎn)生誤差的原因:是參數(shù)的問題還是算法選擇的問題牍颈，是特征的問題還是數(shù)據(jù)本身的問題……

診斷后的模型需要進(jìn)行調(diào)優(yōu)迄薄，調(diào)優(yōu)后的新模型需要重新進(jìn)行診斷，這是一個(gè)反復(fù)迭代不斷逼近的過程煮岁，需要不斷地嘗試讥蔽， 進(jìn)而達(dá)到最優(yōu)狀態(tài)。

3.4.6 模型融合

一般來說画机，模型融合后都能使得效果有一定提升冶伞。而且效果很好。

工程上步氏，主要提升算法準(zhǔn)確度的方法是分別在模型的前端（特征清洗和預(yù)處理响禽，不同的采樣模式）與后端（模型融合）上下功夫。因?yàn)樗麄儽容^標(biāo)準(zhǔn)可復(fù)制荚醒，效果比較穩(wěn)定芋类。而直接調(diào)參的工作不會(huì)很多，畢竟大量數(shù)據(jù)訓(xùn)練起來太慢了界阁，而且效果難以保證侯繁。

3.4.7 上線運(yùn)行

這一部分內(nèi)容主要跟工程實(shí)現(xiàn)的相關(guān)性比較大。工程上是結(jié)果導(dǎo)向泡躯，模型在線上運(yùn)行的效果直接決定模型的成敗贮竟。 不單純包括其準(zhǔn)確程度、誤差等情況较剃，還包括其運(yùn)行的速度(時(shí)間復(fù)雜度)咕别、資源消耗程度（空間復(fù)雜度）、穩(wěn)定性是否可接受写穴。

這些工作流程主要是工程實(shí)踐上總結(jié)出的一些經(jīng)驗(yàn)顷级。并不是每個(gè)項(xiàng)目都包含完整的一個(gè)流程。這里的部分只是一個(gè)指導(dǎo)性的說明确垫，只有大家自己多實(shí)踐弓颈，多積累項(xiàng)目經(jīng)驗(yàn)帽芽，才會(huì)有自己更深刻的認(rèn)識(shí)。

3.5 關(guān)于積累項(xiàng)目經(jīng)驗(yàn)

初學(xué)機(jī)器學(xué)習(xí)可能有一個(gè)誤區(qū)翔冀，就是一上來就陷入到對各種高大上算法的追逐當(dāng)中导街。動(dòng)不動(dòng)就我能不能用深度學(xué)習(xí)去解決這個(gè)問題啊纤子？我是不是要用boosting算法做一些模型融合鞍峁濉？我一直持有一個(gè)觀點(diǎn)控硼，『脫離業(yè)務(wù)和數(shù)據(jù)的算法討論是毫無意義的』泽论。

實(shí)際上按我們的學(xué)習(xí)經(jīng)驗(yàn)，從一個(gè)數(shù)據(jù)源開始卡乾，即使是用最傳統(tǒng)翼悴，已經(jīng)應(yīng)用多年的機(jī)器學(xué)習(xí)算法，先完整地走完機(jī)器學(xué)習(xí)的整個(gè)工作流程幔妨，不斷嘗試各種算法深挖這些數(shù)據(jù)的價(jià)值鹦赎，在運(yùn)用過程中把數(shù)據(jù)、特征和算法搞透误堡，真正積累出項(xiàng)目經(jīng)驗(yàn) 才是最快古话、最靠譜的學(xué)習(xí)路徑蜀踏。

那如何獲取數(shù)據(jù)和項(xiàng)目呢梗夸？一個(gè)捷徑就是積極參加國內(nèi)外各種數(shù)據(jù)挖掘競賽，數(shù)據(jù)直接下載下來揽思，按照競賽的要求去不斷優(yōu)化悉抵，積累經(jīng)驗(yàn)肩狂。國外的Kaggle和國內(nèi)的DataCastle 以及阿里天池比賽都是很好的平臺(tái)，你可以在上面獲取真實(shí)的數(shù)據(jù)和數(shù)據(jù)科學(xué)家們一起學(xué)習(xí)和進(jìn)行競賽基跑，嘗試使用已經(jīng)學(xué)過的所有知識(shí)來完成這個(gè)比賽本身也是一件很有樂趣的事情婚温。和其他數(shù)據(jù)科學(xué)家的討論能開闊視野描焰，對機(jī)器學(xué)習(xí)算法有更深層次的認(rèn)識(shí)媳否。

有意思的是，有些平臺(tái)荆秦，比如阿里天池比賽篱竭，甚至給出了從數(shù)據(jù)處理到模型訓(xùn)練到模型評估、可視化到模型融合增強(qiáng)的全部組件步绸，你要做的事情只是參與比賽掺逼，獲取數(shù)據(jù)，然后使用這些組件去實(shí)現(xiàn)自己的idea即可瓤介。具體內(nèi)容可以參見阿里云機(jī)器學(xué)習(xí)文檔吕喘。

3.6 自主學(xué)習(xí)能力

多幾句嘴赘那，這部分內(nèi)容和機(jī)器學(xué)習(xí)本身沒有關(guān)系，但是我們覺得這方面的能力對于任何一種新知識(shí)和技能的學(xué)習(xí)來說都是至關(guān)重要的氯质。 自主學(xué)習(xí)能力提升后募舟，意味著你能夠跟據(jù)自己的情況，找到最合適的學(xué)習(xí)資料和最快學(xué)習(xí)成長路徑闻察。

3.6.1 信息檢索過濾與整合能力

對于初學(xué)者拱礁，絕大部分需要的知識(shí)通過網(wǎng)絡(luò)就可以找到了。

google搜索引擎技巧——組合替換搜索關(guān)鍵詞辕漂、站內(nèi)搜索呢灶、學(xué)術(shù)文獻(xiàn)搜索、PDF搜索等——都是必備的钉嘹。

一個(gè)比較好的習(xí)慣是找到信息的原始出處鸯乃，如個(gè)人站、公眾號(hào)隧期、博客飒责、專業(yè)網(wǎng)站、書籍等等仆潮。這樣就能夠找到系統(tǒng)化宏蛉、不失真的高質(zhì)量信息。

百度搜到的技術(shù)類信息不夠好性置，建議只作為補(bǔ)充搜索來用拾并。各種搜索引擎都可以交叉著使用效果更好。

學(xué)會(huì)去常見的高質(zhì)量信息源中搜索東西:stackoverflow（程序相關(guān)）鹏浅、quora（高質(zhì)量回答）嗅义、wikipedia（系統(tǒng)化知識(shí)，比某某百科不知道好太多）隐砸、知乎（中文之碗、有料）、網(wǎng)盤搜索（免費(fèi)資源一大把）等季希。

將搜集到的網(wǎng)頁放到分類齊全的云端收藏夾里褪那，并經(jīng)常整理。這樣無論在公司還是在家里式塌，在電腦前還是在手機(jī)上博敬，都能夠找到自己喜歡的東西。

搜集到的文件峰尝、代碼偏窝、電子書等等也放到云端網(wǎng)盤里，并經(jīng)常整理。

3.6.2 提煉與總結(jié)能力

經(jīng)常作筆記祭往，并總結(jié)自己學(xué)到的知識(shí)是成長的不二法門伦意。其實(shí)主要的困難是懶，但是堅(jiān)持之后總能發(fā)現(xiàn)知識(shí)的共性硼补，就能少記一些東西默赂，掌握得更多。

筆記建議放到云端筆記里括勺，印象筆記缆八、為知筆記都還不錯(cuò)。這樣在坐地鐵疾捍、排隊(duì)等零碎的時(shí)間都能看到筆記并繼續(xù)思考奈辰。

3.6.3 提問與求助能力

機(jī)器學(xué)習(xí)的相關(guān)QQ群、論壇乱豆、社區(qū)一大堆奖恰。總有人知道你問題的答案宛裕。

但是大多數(shù)同學(xué)都很忙瑟啃，沒法像家庭教師那樣手把手告訴你怎么做。

為了讓回答者最快明白你的問題揩尸，最好該學(xué)會(huì)正確的問問題的方式:陳述清楚你的業(yè)務(wù)場景和業(yè)務(wù)需求是什么蛹屿，有什么已知條件，在哪個(gè)具體的節(jié)點(diǎn)上遇到困難了岩榆，并做過哪些努力错负。

有一篇經(jīng)典的文章告訴你怎樣通過提問獲得幫助：《提問的智慧》，強(qiáng)力推薦勇边。 話鋒犀利了些犹撒，但里面的干貨還是很好的。

別人幫助你的可能性與你提問題的具體程度和重要性呈指數(shù)相關(guān)粒褒。

3.6.4 分享的習(xí)慣

我們深信：“證明自己真的透徹理解一個(gè)知識(shí)识颊，最好的方法，是給一個(gè)想了解這個(gè)內(nèi)容的人奕坟，講清楚這個(gè)內(nèi)容祥款。” 分享能夠最充分地提升自己的學(xué)習(xí)水平执赡。這也是我們堅(jiān)持長期分享最重要的原因镰踏。

分享還有一個(gè)副產(chǎn)品函筋，就是自己在求助的時(shí)候能夠獲得更多的幫助機(jī)會(huì)沙合，這也非常重要。

4. 相關(guān)資源推薦

文章的最后部分跌帐，我們繼續(xù)放送干貨首懈。其實(shí)機(jī)器學(xué)習(xí)的優(yōu)質(zhì)資源非常多绊率。博主也是翻遍瀏覽器收藏夾，也問同事取了取經(jīng)究履，整合了一部分資源羅列如下：

4.1 入門資源

首先coursera（https://www.coursera.org/）是一個(gè)非常好的學(xué)習(xí)網(wǎng)站滤否，集中了全球的精品課程。上述知識(shí)學(xué)習(xí)的過程都可以在上面找到合適的課程最仑。也有很多其他的課程網(wǎng)站藐俺，這里我們就需要學(xué)習(xí)的數(shù)學(xué)和機(jī)器學(xué)習(xí)算法推薦一些課程(有一些課程有中文字幕，有一些只有英文字幕泥彤，有一些甚至沒有字幕欲芹，大家根據(jù)自己的情況調(diào)整，如果不習(xí)慣英文吟吝，基礎(chǔ)部分有很多國內(nèi)的課程也非常優(yōu)質(zhì))：

微積分相關(guān)

Calculus: Single Variable （https://www.coursera.org/learn/single-variable-calculus）

Multivariable Calculus（http://ocw.mit.edu/courses/mathe ... calculus-fall-2010/）

線性代數(shù)

Linear Algebra（http://ocw.mit.edu/courses/mathe ... lgebra-spring-2010/）

概率統(tǒng)計(jì)

Introduction to Statistics: Descriptive Statistics（https://www.edx.org/course/intro ... -berkeleyx-stat2-1x）?

Probabilistic Systems Analysis and Applied Probability（http://ocw.mit.edu/courses/elect ... bability-fall-2010/）

編程語言

Programming for Everybody

ython（https://www.coursera.org/learn/python）?

DataCamp: Learn R with R tutorials and coding challenges:R（https://www.datacamp.com/）

機(jī)器學(xué)習(xí)方法

Statistical Learning(R) （https://lagunita.stanford.edu/co ... ng/Winter2015/about）

machine learning（https://www.coursera.org/learn/machine-learning）：強(qiáng)烈推薦菱父，Andrew Ng老師的課程?

機(jī)器學(xué)習(xí)基石（https://www.coursera.org/course/ntumlone）

機(jī)器學(xué)習(xí)技術(shù)（https://www.coursera.org/course/ntumltwo）：林軒田老師的課相對更有深度一些，把作業(yè)做完會(huì)對提升對機(jī)器學(xué)習(xí)的認(rèn)識(shí)剑逃。?

自然語言處理（https://class.coursera.org/nlp/lecture）:斯坦福大學(xué)課程

日常閱讀的資源

@愛可可-愛生活的微博（http://weibo.com/fly51fly?from=myfollow_all）?

機(jī)器學(xué)習(xí)日報(bào)的郵件訂閱（http://ml.memect.com/）等浙宜。

4.2 進(jìn)階資源

有源代碼的教程

scikit-learn（http://scikit-learn.org/stable/auto_examples/index.html）中各個(gè)算法的例子?

《機(jī)器學(xué)習(xí)實(shí)戰(zhàn)》 有中文版，并附有python源代碼蛹磺。?

《The Elements of Statistical Learning (豆瓣)》（http://book.douban.com/subject/3294335/） 這本書有對應(yīng)的中文版：《統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ) (豆瓣)》（http://book.douban.com/subject/1152126/）粟瞬。書中配有R包∮├Γ可以參照著代碼學(xué)習(xí)算法亩钟。網(wǎng)盤中有中文版。?

《Natural Language Processing with Python (豆瓣)》（http://book.douban.com/subject/3696989/） NLP 經(jīng)典鳖轰，其實(shí)主要是講 python的NLTK 這個(gè)包清酥。網(wǎng)盤中有中文版。?

《Neural Networks and Deep Learning》（http://neuralnetworksanddeeplearning.com/） Michael Nielsen的神經(jīng)網(wǎng)絡(luò)教材蕴侣，淺顯易懂焰轻。國內(nèi)有部分翻譯，不全昆雀，建議直接看原版辱志。

圖書與教材

《數(shù)學(xué)之美》：入門讀起來很不錯(cuò)。?

《統(tǒng)計(jì)學(xué)習(xí)方法 (豆瓣) 》（http://book.douban.com/subject/10590856/）：李航經(jīng)典教材狞膘。?

《Pattern Recognition And Machine Learning (豆瓣) 》（http://book.douban.com/subject/2061116/）：經(jīng)典中教材揩懒。?

《統(tǒng)計(jì)自然語言處理》自然語言處理經(jīng)典教材?

《Applied predictive modeling》：英文版，注重工程實(shí)踐的機(jī)器學(xué)習(xí)教材?

《UFLDL教程》（http://ufldl.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B）：神經(jīng)網(wǎng)絡(luò)經(jīng)典教材?

《deeplearningbook》（http://www.deeplearningbook.org/）:深度學(xué)習(xí)經(jīng)典教材挽封。

工具書

《SciPy and NumPy (豆瓣) 》?（http://book.douban.com/subject/10561724/）

《Python for Data Analysis (豆瓣) 》作者是Pandas這個(gè)包的作者（http://book.douban.com/subject/10760444/）

其他網(wǎng)絡(luò)資料

機(jī)器學(xué)習(xí)(Machine Learning)與深度學(xué)習(xí)(Deep Learning)資料匯總（http://blog.csdn.net/zhongwen7710/article/details/45331915）: 作者太給力已球，量大干貨多，有興趣的同學(xué)可以看看，博主至今只看了一小部分智亮。