阿勒泰地区网站建设_网站建设公司_Spring_seo优化

原文：towardsdatascience.com/how-id-learn-machine-learning-if-i-could-start-over-c68d697e6a8a

我已经作为一名数据科学家工作了两年多。随着时间的推移，我学习和主要研究机器学习（ML）。对我来说，这可能是工作中最迷人的部分。

机器学习是一个大领域，有很多东西要学习和理解。然而，一步一步来会使整个过程不那么令人畏惧，并且更容易处理。

在这篇文章中，我想回顾一下如果我要从头开始学习机器学习，我会采取哪些步骤。让我们开始吧！

cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2F5m3jsWhRCZU%3Fstart%3D160%26feature%3Doembed%26start%3D160&display_name=YouTube&url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3D5m3jsWhRCZU&image=https%3A%2F%2Fi.ytimg.com%2Fvi%2F5m3jsWhRCZU%2Fhqdefault.jpg&key=a19fcc184b9711e1b4764040d3dc5c07&type=text%2Fhtml&schema=youtube

数学

机器学习围绕着算法，这些算法本质上是一系列数学运算。这些算法可以通过各种方法和多种编程语言实现，但它们的底层数学原理是相同的。

一个常见的论点是，你不需要数学知识来学习机器学习，因为大多数现代库和包都抽象了算法背后的理论。

然而，我认为如果你想要成为一名顶级机器学习工程师或数据科学家，你至少需要了解线性代数、微积分和统计学的基础。

当然还有更多的数学要学习，但最好从基础知识开始，你总是可以在以后丰富你的知识。

你不需要对这些概念有硕士水平以上的理解，但应该能够回答诸如什么是导数、如何乘矩阵以及什么是最大似然估计等问题。

我刚才列出的清单几乎是每个机器学习算法的基础，因此拥有这个坚实的基础将使你在长期内取得成功。

我推荐你学习的一些关键内容包括：

• 多元微积分

• 矩阵及其运算

• 特征向量和特征值

• 概率分布

• 统计不确定性（置信区间、预测区间等）

现在，有许多课程可供选择，你可以学习所有必需的数学知识。为了全面了解，我推荐观看**freeCodeCamp上的线性代数、微积分和统计学**的视频。

你还可以使用像**Khan Academy和Brilliant**这样的网站，这些网站在这些主题上拥有丰富的资源。它们还有广泛的其它领域，所以请随意探索！

Khan Academy | 免费在线课程、课程与实践

Brilliant | 互动学习

我的主要建议是找到一门课程，完成它并继续前进。如果你在知识上有所欠缺，或者甚至可以使用谷歌来查找信息！

Python

Python 是机器学习的黄金标准和首选编程语言。

初学者常常陷入所谓的“最佳学习 Python 方法”的困境。实际上，任何入门课程都足够了，因为它们会教授所有相同的内容。

我推荐的是**tutorialspoint、w3schools或freeCodeCamp**。我曾在某个时候使用过所有这些资源，它们非常有用，尤其是对于那些对这门语言完全陌生的人来说。

你想要学习的主要内容包括：

• 原生数据结构（字典、列表、集合和元组）

• for 和 while 循环

• if-else 条件语句

• 函数和类

• 一些基本的数学函数

Python 教程

在学习任何 Python 入门课程时，我最重要的建议是与课程一起编码。你需要动手实践，以便让关键概念深入人心。所以，确保你在做练习。

机器学习库

在掌握基本的 Python 技能之后，是时候学习一些更具体的数据科学和机器学习包了。我推荐的是：

• NumPy –这个库是为科学计算设计的，提供了许多数学函数和矩阵支持。它用 C 语言开发，具有优化的计算，这对于处理大型模型和大数据特别有益。一如既往，我推荐freeCodeCamp的课程*。

• *Pandas –这是 Python 中加载、操作和数据处理的首选库。它非常适合几乎任何数据分析任务，并且易于使用。freeCodeCamp pandas 速成课程。

• Matplotlib– 作为一名数据科学家，你需要可视化你的数据或结果。Matplotlib 由于其广泛的功能，是 Python 中的主要可视化包。freeCodeCamp 课程.**

我还推荐学习和安装**Anaconda，这是一个用于科学计算的 Python 和 R 的软件发行框架。它基本上是一个一站式商店，用于数据科学和机器学习，并附带所有必要的包，包括 Python、Jupyter Notebooks和环境管理器。再次推荐这个freeCodeCamp 视频，它详细介绍了如何安装和使用 Anaconda**。

cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FLHBE6Q9XlzI&display_name=YouTube&url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DLHBE6Q9XlzI&image=http%3A%2F%2Fi.ytimg.com%2Fvi%2FLHBE6Q9XlzI%2Fhqdefault.jpg&key=a19fcc184b9711e1b4764040d3dc5c07&type=text%2Fhtml&schema=youtube

与前面的部分一样，不要在这个部分花费太多时间，也不要陷入教程地狱。学习基础知识，然后继续下一步，这可能是最激动人心的！

机器学习算法与理论

这就是乐趣开始的地方！

前三个步骤都是关于为应对机器学习做好准备你的基础。这些基础任务不应该花费太多时间，可能一个月左右。

然而，由于课程长度，机器学习理论部分可能需要一些时间。重要的是不要急于求成，因为每个后续步骤和模型通常都是基于前面的内容构建的。

我在旅程开始时选择的课程，以及我推荐你从它开始的课程是 Coursera 上的**安德鲁·吴的机器学习专项课程。我是在 2020 年上这门课，当时它还在使用 Octave！然而，它已经进行了更新。其中包含了一些前沿主题，例如推荐系统和强化学习**，更不用说编码教程现在都是用 Python 编写的了！

机器学习

这门课程将教你机器学习的方方面面，并让你通过使用专门的机器学习包（如**Sci-Kit Learn、XGBoost和TensorFlow**）在 Python 中实际操作这些知识。

尽管这门课程是入门级别的，但它将涵盖你在机器学习面试中可能遇到的所有问题，尤其是如果你正在申请初级职位。

我推荐的下一门课程是 Andrew Ng 的**深度学习专项课程。这是机器学习专项课程的后续课程，将教你关于深度学习所需了解的一切。它甚至触及了大型语言模型 (LLMs)**！

深度学习

虽然这两门课程将涵盖你需要的几乎所有机器学习理论，但请随时进行研究和补充你的学习。有如此多的细分领域和专业，在这里列出所有这些领域及其课程将是一项浩大的工程。

例如，我最近参加的一门课程是**Andrey Karpathy 的神经网络：从零到英雄**。它从零开始构建神经网络，相当基础。然而，在最后一集中，我们构建了自己的生成预训练转换器（GPT），这是驱动 ChatGPT 和最近 AI 热潮的大多数模型！

cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FkCc8FmEb1nY%3Flist%3DPLAqhIrjkxbuWI23v9cThsA9GvCAUhRvKZ&display_name=YouTube&url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DkCc8FmEb1nY&image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FkCc8FmEb1nY%2Fhqdefault.jpg&key=a19fcc184b9711e1b4764040d3dc5c07&type=text%2Fhtml&schema=youtube

练习

学习任何东西的最佳方式是实践并获取实际操作经验。这无疑是学习机器学习最重要的步骤，因为它真正巩固了你的理解。

Kaggle

我建议首先参加一些**Kaggle**的比赛。唯一的目标不是赢得比赛和赚钱，而是学习如何将机器学习算法应用于现实世界的问题。本质上，这就是机器学习在工业界的使用方式，用于解决商业问题。

尝试参加各种比赛，以在多个领域获得经验。其中一些最常见的是时间序列预测、计算机视觉和语言建模。这将扩大你的知识面，并帮助你了解你将来想要专精的方向！

从零开始学习机器学习

我还使用的方法是使用基本的 Python 和像 NumPy 这样的包从头开始实现机器学习算法。能够从第一原理编写算法是学习它的最佳方式之一。

你可以从简单的**线性回归和梯度下降开始。然后过渡到更难的内容，最终逐步提升到浅层的神经网络**！

你可以查看我的git 仓库，我在那里从头开始编写了一些这些算法。

GitHub – egorhowell/ML-Algorithms-From-Scratch: 从第一原理推导机器学习算法…

如何“真正”脱颖而出

如果你想将事情提升到下一个层次，那么你需要展示你的工作。这是一个不对称的系统。投入额外的 20%将使你领先于 80%的人。

博客

开始的最简单方式是拥有一个博客。写关于机器学习概念和算法的文章将提高你的理解，并向潜在雇主展示你的工作。很少有人会这样做，所以你将成为实践者中的顶尖人物。

你可以从写任何东西开始。例如：神经网络是如何工作的，或者什么是**马尔可夫链。我发现写一系列关于一个主题的博客很有用。例如，这是我的卷积神经网络系列**。

卷积神经网络

随着时间的推移，你可以写更复杂的话题，并开始发展一个可以帮助你定位求职方向的专长。尽管，在职业生涯的早期，这可能不太可能。

研究论文

要更进一步，你可以重新实现一篇研究论文。这取决于你选择哪篇论文，但这非常困难。我之前尝试过，发现很难匹配论文中给出的结果。尽管如此，这是学习机器学习的巅峰，你将在过程中获得宝贵的知识。

要找到论文，我建议订阅并关注每周机器学习论文。他们有一个 时事通讯 和 Twitter 账号，每周都会发送出该周发布的最大 AI 论文及其关键链接。

cdn.embedly.com/widgets/media.html?type=text%2Fhtml&key=a19fcc184b9711e1b4764040d3dc5c07&schema=twitter&url=https%3A//twitter.com/dair_ai/status/1749103950677111162&image=

要理解和实现论文，我建议以下步骤：

• 阅读与消化– 仔细阅读，确保你理解了作者的目标、模型和结果。

• 数据– 如果可能的话，尝试获取论文中使用的相同数据。以你自己的速度阅读和分析数据。

• 研究模型架构– 审查模型及其结构，尝试并学习作者为何为他们的问题选择这种特定的架构。

• 实施– 开始构建模型并生成结果。一步一步来，缓慢迭代简单的步骤。

记录这项工作也同样重要。你可以在任何地方做这件事，比如在 Twitter/X、LinkedIn、GitHub 个人资料，甚至是一篇博客文章。重新实现一篇论文是脱颖而出的一种最佳方式，尤其是如果你想从事机器学习研究。

摘要

如果我必须从头开始学习机器学习，我会采取以下步骤。重要的是要注意，没有一种方法适合所有人，你需要根据你的背景和经验来定制你的学习。我列出的部分课程和教程可能不适合你，这没关系。主要的收获是简单地学习基础知识，以及足够多的知识，以便开始深入研究真正的机器学习问题和项目。

快乐学习！

另一件事！

我提供一对一的辅导通话，我们可以讨论你需要的一切——无论是项目、职业建议，还是只是确定你的下一步。我在这里帮助你前进！

[1:1 与 Egor Howell 的辅导通话

职业指导、工作建议、项目帮助、简历审查topmate.io](https://topmate.io/egorhowell/1203300)

与我联系

• YouTube

• LinkedIn

• Instagram

• 网站