机器学习很枯燥，不想继续学了怎么办？或许，这些建议值得一看
时间： 09:52:02
&&&& 阅读：47
&&&& 评论：
&&&& 收藏：0
标签：&&&&&&&&&&&&&&&&&&&&&&&&&&&&
本文介绍的是我在机器学习方面的&实际经历，想以此给大家提供些建议与思路，供各位参考。
希望通过一些途径，来提高机器学习的兴趣：
（1）参与打卡活动：45天机器学习实战
（2）加入专门的微信群
（3）建立机器学习的Github项目仓库
1 书籍阅读
过去一个月时间里，我主要在看《机器学习实战》（Machine Learning in Action）这本书，作者为 Peter Harrington。
在开始阅读这本书之前，做了一个简单的阅读计划，预计花&35天&左右的时间，自己看一遍这本书，比较有系统的学习下机器学习的相关算法原理。
计划表格&的格式如下：
实际完成情况&如下：
虽然有些章节有些延迟，但总体上还是按时完成了本书的阅读。 当然，书中还有许多疑问，有待后续继续深入了解。
2 一些感悟
通过这一段时间的坚持学习，有一些感悟，跟大家分享下。
1） 目标明确
在开始之前，先思考下自己的主要目的，想通过阅读本书来获得哪些收获。
对于我来说，最主要的是 知道机器学习的大概框架结构，知晓有那些主要的算法以及算法的分类和应用场景， 以及以后深入研究相关内容需要的背景知识。
2） 计划清晰
在开始之前，最好制定一个较为详细的计划。
通过实践，针对计划&有几点感悟：
（a）各个章节计划的时间分配要较为合理，最好将整个书籍分为几个大的模块，在每个模块之间，建议预留出一些时间来机动协调，或者作为阶段性总结。
（b）对个人的时间要有一个大概的判断，比如是否有休假、出差、参加会议等，对于已工作的同学来说，公司可能会有一些偶然性的事件，会占用个人的时间，从而打乱该计划。
从我此次的实践来看，
（a）觉得时间安排总体偏紧凑，预留机动时间不多，某一个章节没有按时完成，会导致后续章节连续不能按时完成。
（b）计划时间较为理想，实际上多了几次出差，计划时间稍微有些错乱。
Anyway，计划制定之时，可能不会考虑那么全面，关键是个人要能够灵活的调整与处理。
3） 坚持、坚持、再坚持
机器学习的阅读，相关原理的推导，确实看起来会比较枯燥，由于一些基本原理可能不懂（比如：线性代数的矩阵运算或者某些统计学知识、亦或其他内容），经常会在某个问题或者代码片段处就卡住了。
由于人的懒惰心理，会很容易坚持不下去。
这里，提几点个人的建议，或许对解决这种情况有好处：
（a）在制定计划时，可以考虑，如果完成计划，给自己一些小奖励作为激励
（b）寻找一些志同道合的人，共同来学习相同的内容，由于每个人的情况及知识背景不同，遇到的问题并不相同，有时候正好可以互相交流，在沟通中解决问题， 这样可以更高效的学习。
3 一起来high：机器学习实战
独乐乐不如众乐，一个人独自学习不如大家一起共同学习。
本次以《机器学习实战》（Machine Learning in Action）这本书为基础，来进行学习。
书籍的内容目录如图3所示，各位童鞋可以通过该目录来初步了解自己是否需要开始机器学习相关的内容。
建议大家购买该书籍，当然，网上也可以查找到相关资料。
当然，后续可以拓展其他机器学习相关的内容。
因此，我萌生了建立一个共同学习的想法，希望能通过一些途径来实现。
1）打卡活动：45天机器学习实战
建立一个&45天机器学习实战&的打卡活动，通过打卡的形式来提醒自己学习，同时也了解其他同学的学习进度情况。
45天，是我设定的打卡时间，当然，这只是一个大致的时间，各位可以根据自己的实际情况进行调整学习计划。
不管多少天，必须要设定一个明确的时间段，以便清楚的知道自己的任务计划，使之具有可操作性和针对性。
欢迎大家参与，长按识别下面小程序，就可以参与到打卡活动中(扫描下图二维码也可以) 。&
注：该45天的时间计划主要针对已工作人士，自由职业或者其他时间充裕的同学可以自己斟酌。
当然，关于打卡活动，如果自己觉得，可以依据自己的计划执行，并且能持续坚持，也不一定要参加打卡活动。
主要的是能够自我约束，能坚持完成计划，形式可以多样。
2）建立机器学习群
新建立专门的&机器学习微信群，学习过程中可能会遇到一些自己一时半会解决不了的问题，如果能通过各位同学的相互沟通，及时有效的解决，那敢情相当好~~
该微信群旨在提供一个专用的沟通平台，各位同学可以进行充分的沟通。
加入45天机器学习实战打卡活动的同学可以加入微信群，入群方式会在上述打卡活动的小程序中告知。
（1）由于微信群人数有限，目前不能预估后续会有多少同学想加入微信群。故加入微信群实行&先到先得&的原则。
（2）疏于打卡的同学，会在微信群人员满群后优先淘汰出群。
3）建立Github项目仓库
建立一个专门&Github项目仓库，来针对遇到的典型问题进行汇总，方便自己回顾，以及其他后续进来学习的同学进行查看。
各位同学在学习的时候，可以把自己想分享的内容以 Issues 或 Pull requests的形式，发送到项目仓库。
机器学习实战-Github地址：&/liyangbit/pydataroad-machine-learning
由于微信群比较碎片化，有些内容查看起来不方便，觉得还是在github上记录和总结会比较方便。
当然，微信群的优点是能够便捷、及时的进行交流，确实是一个很好的沟通的途径。
关于Github的使用，如果不熟悉，个人觉得可以百度一下，或者看下慕课网的视频：版本控制入门 & 搬进 Github，/learn/390
在微信公众号中，也会考虑发布相关内容。
关于&计划表格，如果大家也想制定类似的计划，这里提供我使用的模版供大家参考，一并放在github上。
总之，欢迎大家参与到机器学习中来，希望能共同学习，一起交流。
如果您觉得我的建议还不错，欢迎推荐给您的朋友！
同时，欢迎关注公众号&Python数据之道&（ID：PyDataRoad）标签：&&&&&&&&&&&&&&&&&&&&&&&&&&&原文：/lemonbit/p/7503120.html
教程昨日排行
&&国之画&&&& &&&&&&
&& &&&&&&&&&&&&&&
鲁ICP备号-4
打开技术之扣，分享程序人生！经常会有人问“我该如何在机器学习方面更进一步，我不知道我接下来要学什么了。”
一般我都会给出继续钻研教科书的答案。
每当这时候我都会收到一种大惑不解的表情。但是进步确实就是持续的练习，保持较强的求知欲，并尽你可能的完成具有挑战性的工作。其实这些你都懂的，是吧！
但是为什么偏偏是教科书呢？因为他是为数不多的几种可以让你真真让你获取坚实知识的媒介。是的，你可以选择选一门课，注册MOOC，参加一些讨论班。但是只有教材才是会让你持续进步的。教材的每一页都会留下你的印记。你会不知不觉的就记住了章节标题，例子和练习题。你会在边页处写写画画做点笔记，你会把常用的章节折起来，并且还会根据学习内容去寻找一些相关程序来学习。其实你的教科处已经成为了知识的一部分。成功的学习不仅仅只是看看教科书。通过这样的方式来用教科书，你能掌握任何一门学科——当然也包括机器学习。
在下面的内容中，我会循序渐进的列举一些优秀的教科书供你参考。我结合我自己经历并咨询了UC Berkeley的研究生，博士后和教授们后给出了这份参考教科书。当然我是故意少列了的，因为列再多反而是你选择烦恼。
当然，如果你想更换一些学习资料， 是个不错的选择。
Level 0: Neophyte
我妹妹是贸易方面的写作者。曾经她问我怎样去简单的了解一些数据科学的基础知识。在阅读了基本这方面的介绍性的书籍后，我推荐了这本Data Smart.通过这本书我妹妹可以基本解决其工作问题，甚至又一次我和她关于逻辑回归还进行了一次比较深入的探讨。
Expectations:你能了解一些基本的机器学习算法，你能够通过Excel完成一些基本的算法编写。（在完成整本书后你还能会点R语言）。
Necessary Background:熟悉Excel操作——假如你有点计算机/数学背景的话你应该能够很好的掌握。另外，它不像典型的教科书那么枯燥。
Key Chapters:书很短，而且每章都通熟易懂，而且我认为你可以跳过工作表相关的内容。第8和10章是一些基本的概述。
Capstone Project:用 来试一下你是否能够在给出一些属性条件的情况下预测汽车的MPG。这将考验你是否能用机器学习的方式来解读数据，并且能用机器学习的技术解决问题。
Level 1: Apprentice
这是一本例子导向的书，但是同时你可以学习到很多有用的机器学习知识和R编程语言。我是Scipy的忠实用户，但是当我看了几章这本书后，我现在大部分的问题都会选择用R去解决了。
Expectations:你能够判断出哪些机器学习的算法适合哪些问题，并且能够用R语言来完成代码的编写。
必要的背景:没有真正的先决条件,但以下将帮助(这些可以学到/审查时):一些编程经验(R)一些代数概率论的基本微积分一点
Necessary Background:没有特别的要求，但是如果你有以下的知识将会很有帮助：
R的基本的编程能力
基本的代数知识
基本的微积分知识
一点概率论知识
Key Chapters:这是一本很短的书，因此我推荐大家阅读全文，尤其是好好思考那些例子，并用R语言去完成。如果你时间有限，你也可以略过第8和12章。
Capstone Project:用 试试你是否能够在给定相关属性值的情况下预测出食品等级。用三个不同的机器学习方法去解决这个问题，并且选出最合适的一个。建立一个分类器，并能预测评估是“good”还是“bad”，过程中你一定要选好“good”和“bad”之间的阀值。这能测试你的数据滤除能力，处理大数据来那个的能力，机器学习的基本知识还有你编写R代码的能力。
Level 2: Journeyman
这个阶段，再也不是学习一些表面的浅层知识了，我们将逐渐的深入，并且更加的严谨的推导。在一阶段将会有许多数学问题去处理，但是如果你想把机器学习当成你终生的事业来做，那么你必须过掉这关。PRML这本书是一座很好的桥梁，可以让你做的更顺些。你要不断的使用它，阅读他并且爱上他。但是你要时刻保持注意，并不知只有贝叶斯方法是机器学习方法。（译者注，这本书很多都是以贝叶斯方法为基础进行阐述的。）
Expectations：能够识别，完成，调试和解释大部分现有的机器学习方法。当然，对于一些特定问题，你应该有一些自己的想法去研究更高级的机器学习算法。而数据科学家则应该必须至少处于这一步。
Necessary Background:
你应该熟悉大部分的聚类和分类算法；
线性代数：理解矩阵代数和行列式运算；
一些多变量和向量微积分运算能力——比如知道什么是Jacobian
能够用R，Matlab，Scipy或者是Julia完成一些机器学习算法的编写。
Key Chapters:详细阅读1——12.1章。至于12.2 – 14章你可以在需要的时候再去阅读。
Capstone Project:完成
并且分析一个你选择的数据。证明你写的LDA是正确的。这能测试你是否能够理解并解释前沿的机器学习算法，并且能否进行在线的推理和近似。当然这也测试了你的编写代码能力，数据预处理能力和实际的解决问题的能力。
注意：PRML花了很多的时间在Bayesian机器学习方面。因此如果你对Bayesian统计不熟，我强烈建议你先看看Doing Bayesian Data Analysis 的前五章。
Level 3: Master
这一阶段你有大量的知识需要去钻研：凸优化理论，测度理论，概率论，离散优化，线性代数，微分几何甚至是计算神经学。但是当你真正在这一阶段的时候，你也许也已经知道该去学哪些了。这里我仅仅推荐一本书： 是一本机器学习研究者都应该去钻研的神书。PGMs是一本机器学习进阶的书，如果你熟读了此书，不管你学习哪一个机器学习方向你都能轻松驾驭了。
Expectations:对于新问题你应该能够构造概率模型，确定合理的推理技术并且能评估你的方法。对于模型之间的关系你也有了更深入的理解，比如深度信念网络也可以看成是因素图模型。
Necessary Background:
你应该熟悉大部分的机器学习算法
线性代数——知道怎样解释特征值
多变量和向量的微积分求解
能够用R，Matlab，Scipy或者是Julia完成一些机器学习算法的编写。
Key Chapters:1-8章内容类似于Bishop’s Pattern Recognition and Machine learning的2-8张的内容，但是更深入一些。9-13章是本书的精华部分。第19章对于预处理数据是非常有用的。14和15章当你要用时，你再去读他把。
Capstone Project:这一阶段了，你应该自己去定义和探索自己的机器学习项目了。也许还会知道一点当前最火热的“big data”
Level 4: Grandmaster
如果你获得主人地位,你就会拥有一个足够强大的ML背景小说追求任何ML-related专业化水平:例如:也许你感兴趣深度学习应用程序或刻画小说?也许你应该成为Metacademy贡献者?
当你过了master阶段，你已经有了很强的机器学习背景去探索任何机器学习相关的更专业的领域：比如你想去做深度学习（deep learning）相关的应用或者研究。当然或许你也许会变成一位Metacademy的贡献者。
本文转载自：
英文链接：
欢迎加入我爱机器学习QQ14群：
微信扫一扫，关注我爱机器学习公众号
欢迎加入我爱机器学习QQ14群：
最新文章列表
NIPS 2016 — Day 1 Highlights NIPS 2016 — Day 2 Highlights:...
2017年十月 &(22)
2017年九月 &(46)
2017年八月 &(58)
2017年七月 &(60)
2017年六月 &(67)
2017年五月 &(66)
2017年四月 &(65)
2017年三月 &(54)
2017年二月 &(48)
2017年一月 &(54)
2016年十二月 &(62)
2016年十一月 &(97)
2016年十月 &(97)
2016年九月 &(124)
2016年八月 &(83)
2016年七月 &(13)
2016年六月 &(10)
2016年五月 &(7)
2016年四月 &(9)
2016年三月 &(7)
2016年二月 &(2)
2016年一月 &(3)
2015年十二月 &(5)
2015年十一月 &(4)
2015年十月 &(2)
2015年九月 &(2)
2015年八月 &(3)
2015年七月 &(6)
2015年六月 &(8)
2015年五月 &(4)
2015年四月 &(1)
2015年三月 &(3)
2015年二月 &(1)
2015年一月 &(2)
2014年十二月 &(4)
2014年十一月 &(2)
2014年十月 &(3)
2014年九月 &(4)
2014年八月 &(22)
2014年七月 &(40)
2014年六月 &(61)
2014年五月 &(63)
2014年四月 &(187)
2014年三月 &(4798)
2014年二月 &(764)
2014年一月 &(330)
2013年十二月 &(145)
2013年十一月 &(126)
2013年十月 &(216)
2013年九月 &(284)
2013年八月 &(327)
2013年七月 &(275)
2013年六月 &(315)
2013年五月 &(228)
2013年四月 &(175)
2013年三月 &(186)
2013年二月 &(118)
2013年一月 &(210)
2012年十二月 &(221)
2012年十一月 &(155)
2012年十月 &(143)
2012年九月 &(98)
2012年八月 &(99)
2012年七月 &(109)
2012年六月 &(75)
2012年五月 &(88)
2012年四月 &(78)
2012年三月 &(78)
2012年二月 &(50)
2012年一月 &(17)
2011年十二月 &(27)
2011年十一月 &(6)
2011年十月 &(11)
2011年九月 &(13)
2011年八月 &(13)
2011年七月 &(19)
2011年六月 &(18)
2011年五月 &(6)
2011年四月 &(12)
2011年三月 &(15)
2011年二月 &(6)
2011年一月 &(9)
2010年十二月 &(6)
2010年十一月 &(11)
2010年十月 &(5)
2010年九月 &(8)
2010年八月 &(5)
2010年七月 &(12)
2010年六月 &(4)
2010年五月 &(7)
2010年四月 &(6)
2010年三月 &(12)
2010年二月 &(7)
2010年一月 &(2)
2009年十二月 &(5)
2009年十一月 &(16)
2009年十月 &(6)
2009年九月 &(7)
2009年八月 &(7)
2009年七月 &(5)
2009年六月 &(6)
2009年五月 &(6)
2009年四月 &(4)
2009年三月 &(7)
2009年二月 &(6)
2009年一月 &(1)
2008年十二月 &(4)
2008年十一月 &(5)
2008年十月 &(1)
2008年八月 &(1)
2008年七月 &(3)
2008年六月 &(3)
2008年五月 &(3)
2008年三月 &(1)
2007年十二月 &(1)
2007年十月 &(1)
2007年八月 &(4)
2007年七月 &(1)机器学习进阶之机器学习五步走_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
机器学习进阶之机器学习五步走
&&机器学习进阶之机器学习五步走
阅读已结束，下载文档到电脑
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，方便使用
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢}