你应该培养的5个机器学习领域

您想学习机器学习，以便在工作中获得更多机会或找到一份工作。您可能已经是一名数据科学家或机器学习工程师，并希望提升自己的技能。

机器学习技能就像编程技能一样难以被归类（你做不到）。

从数据分析类工作到完整的系统架构和集成，商业中存在着各种各样需要一定数据挖掘和机器学习技能的任务。

尽管如此，正如你可以为有抱负的软件开发者建议的那样，仍然有一些常见的任务和技能是你想要发展的。

在本文中，我们将探讨您可能希望发展的 5 个关键领域，以及您可以在这些领域进行的练习类型。

培养您的机器学习技能 图片来自 Rachel Johnson，保留部分权利

1. 机器学习基础和理论

你需要了解基础知识。这包括 定义 和 核心原则。

您应该知道什么是监督学习和无监督学习，以及它们的例子。您应该知道什么是过拟合和欠拟合。

您还应该了解 估计预测模型在未见过数据上的性能的重要性、执行此操作的常用方法 和常见问题。

您还需要了解一些理论基础，包括熟悉使用概率论、线性代数和信息论的符号和算法描述。

您可能需要查阅一些入门书籍，或许还有一些教科书的入门章节。轻松入门，并继续将您学到的知识与您感兴趣的实际问题或数据集联系起来。

2. 机器学习算法

您需要了解机器学习算法。

您可以泛泛而谈，说某种算法适用于某种情况，但大部分都是胡说。 通过大量对算法和算法参数进行实证测试，可以发现好的结果。

您可以而且应该了解的是 有哪些算法、它们属于哪些通用类别以及它们如何工作。

阅读、学习，甚至可以从多个应用和理论来源 构建自己的算法描述。

从头开始实现算法，以便您熟悉任何给定算法实现必须做出的无数微小决策才能可用。

尝试算法。研究它们的行为以及它们的参数对它们的具体影响，并将其泛化到多个标准问题实例上。

3. 机器学习工具

您需要能够完成工作，这需要工具。

您不能每次需要时都从头开始实现一切。这太荒谬了。

您必须了解有哪些工具可用，您可以使用哪些工具，以及何时应该使用它们。

学习一些机器学习工具和库，在实际场景中使用它们来处理标准数据集和竞赛。了解它们的特性。了解它们提供的算法以及这些实现的怪癖。

我至少推荐 Weka、scikit-learn 和 R。我有很多包含技巧的博文，只需搜索即可。

4. 机器学习问题

机器学习算法的近亲是 问题。它们是孪生兄弟，无法分开。

您必须学习机器学习问题。这包括 案例研究，例如竞赛结果和论文中的结果。

它还包括如何解决问题。 机器学习问题解决流程。如何从描述到呈现结果，端到端地处理问题。

此外，您在流程中使用什么工具，在哪个步骤中使用，以及如何将一个步骤的结果带到下一个步骤。每个步骤成功的标准是什么。

如果您来自工程背景，那么算法会很容易，而解决问题则需要学习和努力。您必须成为科学家，提出假设并客观地进行测试。

编程不需要这种技能（嗯，找出错误可能是一个例外）。

5. 保持最新

您必须保持最新。

当然，这包括运行一些深度学习，因为这是当前的热门潮流。它很可能能在您正在努力解决的难题上提供最先进的结果。

这也意味着要跟上新闻、工具的开发（更新日志、会议等）、理论和算法（研究论文、博客、会议视频等）。

技术变化很快，这是高科技。它变化更快。拥抱并培养这种变化。

总结

这是一篇简短的帖子，但我认为它很重要。

我们讨论了您应该培养的 5 个机器学习领域，以实现您在该领域的目标。

这五个领域分别是：

1. 机器学习基础和理论：建立扎实的定义、术语、原理和理论基础。
2. 机器学习算法：阅读和学习算法，从头开始实现算法，并对其进行实验，以建立对它们如何工作和为什么工作的直观理解。
3. 机器学习工具：学习并实际使用机器学习工具和库，以高效地利用您的时间。
4. 机器学习问题：研究问题案例研究，并持续研究应用机器学习（或 KDD 或您想称之为任何名称）的过程。
5. 保持最新：让自己及时了解算法、问题、工具甚至炒作。期望一切都在不断发展。

您不能一次完成所有事情，选择一个领域，花一些时间，然后换一个。

您目前正在培养这五个领域中的哪一个？