4 个自学机器学习项目

进入机器学习领域有很多途径，大多数都始于理论学习。

如果你是一名程序员，那么 你已经具备了将问题分解为其组成部分的能力，并且能够通过原型设计小项目来学习新技术、库和方法。这些技能对于任何专业的程序员来说都很重要，并且可以用于立即开始机器学习领域的工作。

这些技能对于任何专业的程序员来说都很重要，并且可以用于立即开始机器学习领域的工作。

自学
照片作者：gfairchild，部分权利保留

要有效地进行机器学习，你必须学习理论知识，但你可以利用你的兴趣和求知欲来激励你从实际示例过渡到对算法的数学理解。

在本文中，你将了解程序员可以遵循的四种机器学习入门策略。这是技术人员的道路，务实且经验丰富，需要你进行研究并完成实验，以建立自己的直觉。

这四种策略是

1. 学习一个机器学习工具
2. 学习一个机器学习数据集
3. 学习一个机器学习算法
4. 实现一个机器学习算法

阅读这些策略，并选择一个你认为最适合你的，然后毫不犹豫地去执行。

1. 学习一个机器学习工具

选择一个你喜欢的工具或库，并精通其使用。

我建议你从一个提供数据准备工具、机器学习算法和结果展示的环境开始。学习这样的环境将使你能够掌握端到端的机器学习过程，这比学习特定的数据准备技术或机器学习算法更有价值。

或者，也许你对特定的技术或一类技术感兴趣。你可以利用这个机会深入研究一个提供这些方法的库或工具，并通过掌握提供这些方法访问权限的库来精通该技术。

学习一个机器学习工具
照片作者：zzpza，部分权利保留

你可以为这个策略遵循的一些方法是

• 比较和对比候选工具，从中选择。
• 总结你所选工具的功能。
• 阅读并总结该工具的文档。
• 完成该工具的文本或视频教程，并总结你完成的每个教程的关键学习点。
• 创建该工具的功能或特性的教程。选择你不太了解的内容，并创建一个获取结果的流程，或者录制一个 5 分钟的屏幕录像，演示如何使用该特性。

你应该考虑的一些环境包括：R、Weka、scikit-learn、waffles 和 orange。

2. 学习一个机器学习数据集

选择一个数据集，深入了解它，并找出哪种算法类别或类型最适合它。

我建议你选择一个中等大小、可以放入内存、并且可能已经被深入研究过的数据集。有许多优秀的数据源库可供你浏览和选择。你的目标是理解数据源所代表的底层问题、数据集的结构以及最适合该问题的那类解决方案。

使用机器学习或统计环境来研究数据集。这将使你能够专注于你想回答的数据集问题，而不是被学习特定技术和学习如何在代码中实现它的问题所分散注意力。

学习一个机器学习数据集
照片作者：abhidg，部分权利保留

可以帮助你研究实验性机器学习数据集的一些方法是

• 清晰地描述数据集所代表的问题。
• 使用描述性统计数据总结数据。
• 描述你在数据中观察到的结构，并假设数据中的关系。
• 对数据集进行少量流行机器学习算法的抽样测试，找出哪个通用类别比其他类别表现更好。
• 调整表现良好的算法，找出在问题上表现良好的算法和算法配置。

一些高质量数据集的存储库你可能想考虑：UCI ML Repository、Kaggle 和 data.gov。

3. 学习一个机器学习算法

选择一个算法，深入了解它，并找出在不同数据集上稳定的参数配置。

我建议你从一个复杂度适中的算法开始。选择一个被充分理解、有许多开源实现可供选择且参数较少的算法。你的目标是建立对算法在各种问题和参数配置下表现的直觉。

使用机器学习环境或库。这将使你能够专注于算法作为一个“系统”的行为，而不是纠结于规范的数学描述和参考文献。

学习一个机器学习算法
照片作者：Unhindered by Talent，部分权利保留

在学习你选择的机器学习算法时，你可以使用的一些方法是

• 总结系统的参数及其对算法的预期影响。
• 选择一系列适合该算法的数据集，这些数据集可能会引发不同的行为。
• 选择你认为会引发系统不同行为的算法参数配置，并列出你可能预期的系统行为。
• 考虑算法在迭代更新过程或其他时间间隔中运行时可以监测的算法行为。
• 设计小型实验，使用一个或多个数据集、算法配置和行为度量组合来回答一个特定问题，并报告结果。

你的研究可以根据你的喜好简单或复杂。在较高层面上，你可以探索所谓的启发式方法或应用算法的经验法则，并实证证明它们是否有价值，如果有，在什么情况下它们会与成功的结果相关。

你开始时可以考虑的一些算法包括：最小二乘线性回归、逻辑回归、k近邻分类、感知器

4. 实现一个机器学习算法

选择一个算法，并将其实现或将现有实现移植到你选择的语言。

选择一个复杂度适中的算法来实现。我建议你对你想实现的算法进行一些详细的研究，或者选择一个你喜欢的实现并将其移植到你选择的目标编程语言。

从头手动实现算法是学习将算法描述转化为功能系统的许多微小决策的好方法。通过多次重复这个过程，你将能快速获得阅读研究论文和书籍中算法数学描述的直觉。

实现一个机器学习算法
照片作者：Nic’s events，部分权利保留

五种可以帮助你从头实现机器学习算法的方法是

• 从移植开始。将一个开源算法实现从一种语言移植到另一种语言将教会你算法是如何实现的，并使其成为你自己的。这是最快的入门方式，强烈推荐。
• 选择一个算法描述作为工作基础，并收集其他算法描述来帮助你区分主要的参考材料。
• 不要害怕联系算法作者、论文作者甚至算法实现作者，向他们提问以帮助你区分你对算法描述的理解。
• 大量阅读你目标算法的实现。学习不同的程序员如何解读算法描述并将其转化为代码。
• 不要纠结于高级方法。许多机器学习算法在其核心使用了高级优化方法。除非这是你项目的重点，否则不要尝试重新实现这些方法。使用提供优化算法的库，或者使用一个易于实现（如梯度下降）或你可以在库中获得的简单优化算法。

小型项目方法论

这四种策略构成了一种我称之为“小型项目”的方法论。它是一种你可以用来快速建立在机器学习等技术领域实践技能的方法。基本思想是设计并执行小型项目，这些项目针对你想回答的特定问题。

小型项目在几个维度上都很小，以确保它们能够完成，并且你能够提取学习效益并继续下一个项目。以下是你应考虑对项目施加的限制

• 时间短：一个项目从构思到结果展示不应超过 5-15 小时。这将使你能够在工作之余，在一个周末内完成一个小项目。
• 范围小：一个项目应该解决你感兴趣的最狭窄版本的问题，并且仍然有意义。例如，与其解决“编写一个程序来告诉我一条推文是否会被转发”这个普遍问题，不如仅针对特定推特账号在特定时间段解决这个问题。
• 资源少：一个项目应该能够在你的台式机或笔记本电脑上完成，只需要互联网连接。你不应该需要奇异的软件、Web 基础设施或第三方数据或服务。收集你需要的文件数据，将其加载到内存中，并使用开源工具来解决你的狭窄问题。

其他项目技巧

这些策略的原则是采取行动并利用你的程序员技能。以下是三个帮助你调整心态以采取行动的技巧

• 写下你学到的东西。我建议你为你采取的每一步都建立一个切实可行的工作产品。这可以是你日记中的笔记、一条推文、一篇博客文章或一个开源项目。每个工作产品都充当一个锚点和里程碑。
• 除非目的是写代码，否则不要写代码。这个技巧并不明显，但它可能是在加速你对机器学习理解方面最重要的。
• 目标是你学习一些东西，而不是创造一个独特的资源。没有人会阅读你的研究、教程或关于算法的笔记，暂时忽略这一点。它们是你的视角和你的工作产品，用来证明你现在知道一些东西。

总结

以下是这四种策略，每种都配有一句简明的说明，以帮助你选择最适合你的策略。

1. 学习一个机器学习工具：选择一个你喜欢的工具或库，并精通其使用。
2. 学习一个机器学习数据集：选择一个数据集，深入了解它，并找出哪种算法类别或类型最适合它。
3. 学习一个机器学习算法：选择一个算法，深入了解它，并找出在不同数据集上稳定的参数配置。
4. 实现一个机器学习算法：选择一个算法，并将其实现或将现有实现移植到你选择的语言。

选择一个！

你会选择哪种策略，你的第一步是什么？选择一个并在下面的评论中声明你的意图。