找到您的机器学习“部落”

开始学习，避免得到错误的建议

机器学习是一个充满算法和数据的迷人而强大的研究领域。

问题是，对机器学习感兴趣的人群多种多样，每个人的需求也各不相同。重要的是要了解你想从机器学习中获得什么，并根据这些需求来定制你的自学计划。

如果你不这样做，你很可能会误入歧途、迷失方向、失去兴趣，最终无法得到你想要的东西。

找到你的部落！

在这篇文章中，你将发现对机器学习感兴趣的10个主要人群。我称他们为机器学习部落。

你将发现每个部落的普遍需求以及对他们最有价值的资源类型。

重要的是，你可以审视这10个部落，找到自己的归属，并欣慰地发现有和你一样的人，同时对你接下来的步骤有所了解。

你属于哪个部落？请留言告诉我。

找到您的机器学习“部落”
照片，保留部分权利。

避免部落错配，这很常见

你对机器学习感兴趣。你四处询问，有人推荐了某个课程或书籍。

几个小时后，你感到沮丧，但又不确定原因。

你遇到过这种情况吗？

这是因为你选择的资源本身很好，但可能并不适合你的具体情况。

这是一个常见的问题，我称之为错配问题。

开发者与教科书的经典案例

一个经典的例子是，一个希望解决某个一次性问题的开发者，被推荐了一本机器学习教科书。

他们买下书，开始阅读，却从未读完第一章。

对于一个刚上完四年数学课的研究生机器学习课程的学生来说，教科书是完美的。

但对于一个已有10年职业生涯、将机器学习视为实现结果的工具的开发者来说，这本书几乎毫无用处。

因此，了解对机器学习感兴趣的不同群体以及你属于哪个群体至关重要。这样你才能找到和你相似的人，并开始使用那些能真正帮助你获得所需解决方案的资源。

10个机器学习部落

在本节中，我们列出了对机器学习感兴趣的10个不同群体。

我为每个群体命名，突出了他们的主要目标和兴趣，并列出了该群体成员在后续步骤中可以使用的资源。我还根据商业、学术、工程和数据等通用主题对这些群体进行了分组。

这些群体之间可能存在一些重叠。你也有可能属于其中一个或多个群体。这没关系（我很乐意在评论中听到你的情况）。

此外，我们在这里的兴趣仅限于机器学习，而不是更广泛的数据科学领域。

让我们开始吧。

部落概览

这是10个部落的简要快照

• 商业部落
  • 1) 有普遍兴趣的商务人士
  • 2) 关注项目交付的管理者
• 学术部落
  • 3) 本科或研究生课程的机器学习学生
  • 4) 致力于影响领域的机器学习研究者
  • 5) 关注问题建模的普通研究者
• 工程部落
  • 6) 关注实现算法的程序员
  • 7) 关注交付一次性预测的开发者
  • 8) 关注开发更智能软件和服务的工程师
• 数据部落
  • 9) 关注为商业问题找到更好答案的数据科学家
  • 10) 关注更好解释数据的数据分析师

机器学习部落思维导图

商业部落

总的来说，这些人有兴趣在组织中有效利用机器学习，但不一定对算法或工具的具体细节感兴趣。

商务人士可能会使用商业智能或预测分析等术语，这两个领域都更宽泛，可能会利用机器学习技术。

1) 有普遍兴趣的商务人士

这可能是任何听说过机器学习并希望在战略上加以利用的人，从高管到顾问，或许会在即将到来的项目或计划中使用它。

这其实不是我的领域，但一些可能对战略性思维有用的资源包括：

• Gartner的高级分析平台魔力象限，2015年
• Gartner的机器学习驱动数字业务，2014年
• 麦肯锡的高管机器学习指南，2015年

我也会推荐下一节为“管理者”准备的书籍。

Gartner 高级分析平台魔力象限，摘自Gartner，保留所有权利。

2) 关注项目交付的管理者

这是指项目经理或项目中类似领导职位的人，而该项目正在使用机器学习。这可能是项目的一个细分功能，也可能是项目的核心。

对他们有用的资源是关于该领域的高层次视角，能够关联各种问题类别和算法，而不过多涉及细节。

可以看看以下书籍

• 《预测分析：预测谁会点击、购买、说谎或死亡的力量》(Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die)
• 《商业数据科学：你需要了解的数据挖掘和数据分析思维》(Data Science for Business: What you need to know about data mining and data-analytic thinking)
• 《数据智能：利用数据科学将信息转化为洞察》(Data Smart: Using Data Science to Transform Information into Insight)

学术部落

总的来说，这些人从学术角度对机器学习感兴趣。他们可能是学生（本科生或研究生），或者与大学有其他关联。

其他例子包括博士后、研究助理和各种讲师。

学术部落可能会花大量时间在研究论文中研究特定的机器学习算法。你可以在“如何研究机器学习算法”这篇文章中了解更多关于研究算法的信息。

3) 本科或研究生课程的机器学习学生

机器学习学生很可能正在上一门课，并对与技术和算法相关的超具体问题感兴趣。

学生有专注的结构和深入钻研材料的时间。教科书最适合他们。一些最好的机器学习教科书如下：

• 机器学习：概率视角
• 模式识别与机器学习
• 《统计学习精要：数据挖掘、推断与预测》(The Elements of Statistical Learning: Data Mining. Inference. and Prediction)

4) 致力于影响领域的机器学习研究者

机器学习研究者对机器学习的某个方面有深入的理解，以至于能够做出微小的补充来扩展该领域。

研究者对研究论文、期刊以及与之相关的组织和网络感兴趣。

教科书已经不够用了，它们是二手资料且已过时。

一些知名的机器学习期刊和会议论文集有：

• 机器学习研究杂志 (JMLR)
• 神经信息处理系统大会 (NIPS)
• 知识发现与数据挖掘大会 (SIGKDD)
• 国际机器学习会议 (ICML)

可以看看Quora问题“关于机器学习最好的会议和期刊是什么？”下的精彩回答。

这里有一份方便的人工智能领域排名前50的期刊列表。

5) 关注问题建模的普通研究者

普通研究者可能对机器学习感兴趣，但只是把它当作一个工具。他们最可能感兴趣的是使用自己的数据来构建描述性或预测性模型。

例如，来自客户研究、地质学或生物学领域的科学家拥有自己的数据集，并希望创建一个模型来进行预测和/或更好地理解潜在问题。

他们通常对模型的准确性兴趣不大，而更关心模型的可解释性。因此，更倾向于使用从统计学借鉴的、简单且易于理解的方法，如线性回归和逻辑回归。

尽管如此，他们也希望有良好的系统化流程。

我推荐“工程部落”下的资源，特别是“关注交付一次性预测的开发者”。也请看看“数据部落”下的“数据科学家”群体。

工程部落

总的来说，这是一群习惯于用软件为问题提供解决方案，并希望融入机器学习的开发者。

我为希望进入机器学习领域的工程师推荐的一篇通用文章是“给程序员的机器学习”。

工程部落可以在问答网站等机器学习社区中获得很多帮助和支持。更多信息，请查看文章“机器学习社区”。

6) 关注实现算法的程序员

对于程序员来说，一个提升机器学习技能的绝佳方法是利用他们现有的编程技能，从零开始实现机器学习算法。

我在我的博客文章“通过从零开始实现来理解机器学习算法”中详细讨论了这种方法，并提供了很好的技巧和资源。

我从那篇博文中推荐三本书来实践这种方法：

• 《Python数据科学手册：基本原理与实践》(Data Science from Scratch: First Principles with Python)
• 《机器学习实战》(Machine Learning in Action)
• 《机器学习：算法视角》(Machine Learning: An Algorithmic Perspective)

7) 关注交付一次性预测的开发者

一个开发者不一定是一个伟大的程序员，而且开发和交付一个准确可靠的预测模型并不需要编程。

在商业环境中，可能需要一个一次性的预测模型来提供一系列预测。它也是自学、处理练习数据集甚至参加机器学习竞赛的强大模型。

通过系统地处理一个问题并交付一个独立模型，你可以学到很多东西。

• 《数据挖掘：实用机器学习工具与技术》(Data Mining: Practical Machine Learning Tools and Techniques)
• 应用预测建模

在“处理机器学习问题的流程”这篇文章中，查看我端到端处理机器学习问题的系统流程。

8) 关注开发更智能软件和服务的工程师

一个有兴趣将机器学习添加到其软件项目中的工程师，需要一些算法知识、一些如何端到端解决问题的知识，以及如何在生产环境中可靠运行算法的知识。

这群人从前两个群体发展而来，最贴切的描述可能是机器学习工程师。他们寻求使用能够提供可靠准确结果的快速算法，并平衡这些考虑因素。

这个群体也大量使用机器学习库和基础设施。

一些关于快速上手机器学习库的有用资源包括：

• 《用Python构建机器学习系统》(Building Machine Learning Systems with Python)
• 《学习scikit-learn：Python中的机器学习》(Learning scikit-learn: Machine Learning in Python)
• 《R语言实用数据科学》(Practical Data Science with R)
• 《R语言机器学习》(Machine Learning with R)

另外，请查看文章“构建生产级机器学习基础设施”。

数据部落

总的来说，这是一些主要从事数据相关工作，但可能需要使用机器学习的人群。

9) 关注为商业问题找到更好答案的数据科学家

当你成为一名数据科学家时，学习并不会停止。

你必须紧跟最新的数据流、技术和算法。这包括你需要用来描述数据和创建预测模型的机器学习技术。

数据科学家可以从“工程部落”下更偏应用的资源，以及“学术部落”下更偏理论的资源中汲取所需。

尽管如此，一些兼顾这两方面的、以数据科学为中心的机器学习资源包括：

• 应用预测建模
• 《统计学习导论：R语言应用》(An Introduction to Statistical Learning: with Applications in R)
• 《黑客的机器学习》(Machine Learning for Hackers)

10) 关注更好解释数据的数据分析师

数据分析师主要感兴趣的是在商业利益的背景下解释数据。有时，机器学习算法对于提供更强大的模型很有用。主要是描述性模型，但有时也包括预测性模型。

与“普通研究者”群体一样，这个群体可能在统计学和统计推断方面有良好的基础。此外，鉴于他们最可能对描述性模型感兴趣，像线性和逻辑回归这样的经典方法可能就足够了。模型的可解释性优先于准确性。

上面提到的许多资源同样有用，尽管可能更偏向于统计推断的立场。

行动步骤

在这篇文章中，你了解了对机器学习感兴趣的10个不同群体。

这里有一张方便的思维导图来总结这10个部落

机器学习部落思维导图

你的行动步骤是回顾这个列表，找出你的归属。

哪个群体是你的部落？ 在下方留言让我知道。