程序员可以进入机器学习领域

在这篇文章中，我想向您展示程序员也能入门机器学习。

我将向您展示，学习机器学习可以和学习任何其他高科技一样。

我们将把学习机器学习与学习编程本身进行比较，学习编程可能是一个更大的挑战。

图片版权归 iwannt 所有，保留部分权利

一位设计师想写代码

假设你是一名设计师，比如一个年轻的网页设计师。你用 Photoshop 或类似的工具制作网页设计，然后可能将设计切片并转换为 CSS。你与程序员为伍，也许你有点羡慕编程。你认为自己可能想学习如何编程。无论对错，你认为 CSS 和 HTML “几乎就是编程”，这都是创造力的表达，编程只是你创造力的另一种媒介或出口。

你跳上 Quora 或 StackOverflow，问一个问题，比如“我是一名设计师，如何学习编程？”

你得到的答案五花八门。你会得到一些看起来经验丰富、技术精湛的程序员送你的免费建议，比如“学习 ANSI C 和指针”、“学习二进制”、“买一本关于汇编语言的书”、“从 LISP 开始”。也许一位口才极佳的作者会过来，写一篇长篇且有说服力的回复，告诉你真的应该购买并阅读 Knuth 的《计算机程序设计艺术》。你听从他的建议，在亚马逊上买了书，但只看到了引言部分就后悔购买，觉得自己不够聪明，放弃了学习编程的兴趣，结果三个月后又会重复同样的循环。

发生了什么？这些建议看起来都是好建议。

问题在于这些建议是回顾性的。这些建议来自程序员，他们从自己编程的角度出发，思考如何成为更好的程序员。这些建议没有考虑到完全的初学者，一个只想浅尝辄止、看看自己是否喜欢的人。

当然，现在世界已经有些不同了。这个问题已经被认识到，并且有一些很棒的服务正在解决这个问题，例如教人们如何编程。

当然，也许我们会学习指针、二进制、汇编语言和 LISP，甚至阅读 Knuth 的部分内容（没人真的从头读到尾，对吧？），但那都是后来的事情。但你是怎么开始的？我开始的时候是拼凑东西，尝试事物，实验，创造和学习。我后来深入研究技术细节是因为我想创建更大、更好、更强大的程序。我不是从技术细节开始的。我认为很多程序员都有类似的经历，你的经历也是如此吗？请留言。

一位程序员想做机器学习

如果你正在阅读这篇文章，你可能是一名程序员或某种开发者。想想你对机器学习的兴趣。你是否看过一些经验丰富、技术精湛的机器学习专家给你的入门建议？

我一直在搜索和阅读这些建议，其中有些是好的，但很多不是。我收集了一些样本如下。

学习机器学习需要具备哪些数学技能？

• 你绝对需要熟悉基本的线性代数（向量和矩阵的操作）以及对数和指数函数。
• 如果你想让事情“容易”些，你需要学习到特征向量的线性代数。

扎实的数学基础是机器学习的必要条件吗？

• 你需要对概率、线性代数、线性规划和多元微积分有一定的了解。

机器学习工作需要哪些技能？

• 首先，你需要有扎实的计算机科学/数学背景。机器学习是一个高级主题，所以大多数教科书都假设你具备这样的背景。
• 统计学、概率论、分布式计算和统计学。

那里有一些非常好的建议，但这些建议适合完全的初学者吗？它们适合那些想浅尝辄止的程序员吗？

也许人们问错了问题。此外，我挑拣了一些答案片段，这些片段表明在开始机器学习之前需要具备数学知识。我想说的是，初学者会专注于他们不拥有的东西和他们做不到的事情。他们可能在尝试之前就已经放弃了。

我完全同意，扎实的线性代数和概率知识是入门机器学习的绝佳基础。我完全同意《统计学习要素》是一本在多个层面上都非常出色的书。我只是不认为一个对机器学习感兴趣的程序员应该做的第一件事就是去上数学课或阅读该领域的密集理论性著作。我实际上强烈反对这样做。

两个机器学习领域

机器学习有两个方面

• 实践机器学习： 这涉及到查询数据库、清洗数据、编写脚本来转换数据，以及将算法和库连接起来，编写自定义代码来从数据中挤出可靠的答案，以解决困难且定义不明确的问题。这是现实的混乱。
• 理论机器学习：这涉及到数学、抽象、理想化场景、极限和美学，以及告知什么才是可能的。它更整洁、更干净，也更脱离现实的混乱。

实践方面没有理论方面的框架和严谨性是不行的。理论方面没有实践方面的意义或动力也是不行的。这种二分法是虚假的，它实际上是一个工具和方程的海洋，但请跟着我的思路。

作为程序员，你可能偏爱实践方面，但你作为“技术人员”会遇到瓶颈，需要理解理论方面才能有效地进行即兴创作。你必须阅读算法的数学处理，你必须研究密集性的教科书。要想在这个领域做得好，就需要这些。而问题在于，这是实践者 freely 提供的给初学者的建议，这种建议是理想化的，适合中级水平的，而对初学者来说是不恰当的。

程序员喜欢功能强大的工具

我认为，对于经验丰富的程序员来说，将机器学习视为一个高级编程主题，比如多线程（跟着我的思路）是有用的。

如果你想学习多线程，你只需要编写一些多线程程序，就能对它能释放的力量有所了解。你会犯各种各样的错误，但你原型化的一些东西会起作用，你会看到可能性的闪光点。如果你决定这是你的方向，你就可以阅读书籍并深入研究。

你可以使用现有的多线程结构库，也可以编写自己的库，可以深入学习各种多线程结构背后的更具数学性的主题。让你的兴趣驱动你的学习，最终你可以构建并部署生产级多线程代码。这是一个过程，而不是一个飞跃。

当然，机器学习是一个更广泛、更多样化的领域，但我提倡的正是这种分步策略，并将在未来的文章中详细阐述。

你不会从初学者直接变成团队负责人并部署机器学习系统。危险区域是真实存在的。你可能会学到足以让你变得危险的知识。但你从操控机器的能力中习得的自律（以及你的代码审查、同行和导师，以及常识）会限制这些非常真实的危险。

就像学习编程一样，学习机器学习是一个永无止境的学习之旅，掌握真的意味着持续学习。学习阅读方程，将其转化为代码，并写出自己的代码来构建你的问题，如果你感兴趣，这些都可以是沿途的休息站。

资源

我列出了一些资源，如果你想继续思考这个问题。这有点深入，我相信我们可以进行一些很好的讨论。

• 滚动到上面，回顾一下上面列出的 StackOverflow 问题的一些答案。那里有一些答案会劝阻程序员，除非他们懂数学，但也有一些非常鼓舞人心的答案会让你振奋起来。
• 为什么成为一名数据科学家可能比你想象的要容易 Gigaom 的一篇文章，它引用了案例研究，说明有分析倾向的人（如程序员）有机会从零开始进入数据科学领域并迅速成为国际竞争力。
• 编程是否需要数学？ 有趣的是，我认为支持和反对的论点都非常相关，并且有有用的视角。

这是一篇非常有争议的文章，我非常想知道你的想法。和朋友们讨论这个问题时，我确实听到了很多关于危险区域以及“技术人员”机器学习学徒的进阶选择。我将在未来的文章中跟进这两个话题。

你怎么看？我提出的关于学习编程与程序员学习机器学习的相似性是否有实质内容？