|
请点击此处输入图片描述 找资料也是门学问，别抓着机器学习就一拥而上。
作者 | Jason Brownlee 编译 | AI100（ID:rgznai100） 来看个小故事：机器学习火了。 做开发的工程师小张，和做对冲基金的经理老王，都希望在自己的领域加入机器学习。 工程师小张，希望能在自己的软件项目中加入机器学习。而经理老王，则希望在量化交易中，更多借助机器学习的强大，来处理交易，从而占据市场先机。 老王有着多年的编程经验，小张则是多年的开发经验。两人分别让周围的朋友推荐一些书籍，买来自学。 不过，这两人很快就读不下去了，连第一章都读不下去。 怎么回事？ 难道是因为推荐的书籍不够好吗？ 并不是。朋友们推荐的课程和教材都很棒，可是，不适合。 这是目前一个非常普遍的问题——不匹配。 这些教材，对于有4年数学基础，机器学习在读的研究生来说，特别适用。 但是，但是，对于有十年开发经验和基金经验的小张和老王来说，可就不适用了。他们可不愿意从理论开始整天慢慢学，他们只想把机器学习当作一个工具，快速解决实际问题就行。 你是不是也遇到同样的问题？只想用好机器学习，并不想追求其中的道道。 这篇文章就专门来回答：不同行业，不同需求的人，到底应该在什么地方去获取有用资料，避免时间浪费。 以下来自澳大利亚机器学习大师 Jason Brownlee 的博客，希望对你有所启发。 本文，列举了10类人群，并将其归到4个小组。 无论你是机器学习专业的学生，还是想借机器学习获得商业问题优化方案的数据分析师，还是软件的开发工程师，还是对机器学习感兴趣的商务人士，你都能在这篇文章中，准确找到你所真正需要的资料。 在我们开始今天的干货前，先搞清楚你到底属于哪一类，以对症下药。 以下是人群的分组列表： 对机器学习感兴趣的商务人士 在项目中应用机器学习的经理人
机器学习专业的本科生或研究生 机器学习领域的研究人员 利用机器学习建模的其他领域的研究人员
实现算法的编程人员 交付一次性预测信息的开发人员 改进软件和服务的工程师
希望获得商业问题优化方案的数据科学家 希望能更好地解释数据的数据分析师
商业人群 通常来讲，这类人群希望在商业上有效地使用机器学习，但并不需要掌握其算法或工具的实现细节。 在商业领域，机器学习技术已经广泛地用于预测分析。 这类人群包括总经理及咨询顾问，对他们而言，机器学习会对以后的项目和策划起到战略指导的作用 以下资源对此类人群做战略思考会有帮助： 1.Gartner’s Magic Quadrant for Advanced Analytics Platforms, 2015 http://www./technology/reprints.do?id=1-2AHPOU0&ct=150225&st=sb 2.Gartner’s Machine Learning Drives Digital Business, 2014 https://www./doc/2820120/machine-learning-drives-digital-business 3.McKinsey’s An executive’s guide to machine learning, 2015 http://www./industries/high-tech/our-insights/an-executives-guide-to-machine-learning
在下一节针对“经理人”的推荐书籍，也适用这个人群。 
请点击此处输入图片描述 机器学习对于这类人群负责的项目非常适用。对他们来说，有用的资料是关于各种问题和算法的全面概括，而不需要关注太多细节。 可以参考以下书籍： 1.Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die http://www.amazon.com/dp/1118356853?tag=inspiredalgor-20 2.Data Science for Business: What you need to know about data mining and data-analytic thinking http://www.amazon.com/dp/1449361323?tag=inspiredalgor-20 3.Data Smart: Using Data Science to Transform Information into Insight http://www.amazon.com/dp/111866146X?tag=inspiredalgor-20
请点击此处输入图片描述 学术人群 通常来讲，这类人群主要指学生，包括本科生、研究、博士后、研究助理等。 学术人群可能会花大量时间研究他们论文中的某个机器学习算法。 在此，我推荐他们看一篇文章“How to Research a Machine Learning Algorithm”，了解关于算法方面的研究。 How to Research a Machine Learning Algorithm http:///how-to-research-a-machine-learning-algorithm/
机器学习专业的学生通常会上一些关于技术和算法的课程，因此他们对相关的具体问题会更感兴趣。 学生一般比较专注，也有时间深入去钻研。这类人群最好阅读教科书。以下是机器学习领域里最好的教科书： Learning from Data http://www.amazon.com/dp/B00C7EXC2A?tag=inspiredalgor-20 Machine Learning: A Probabilistic Perspective http://www.amazon.com/dp/0262018020?tag=inspiredalgor-20 Pattern Recognition and Machine Learning http://www.amazon.com/dp/0387310738?tag=inspiredalgor-20 The Elements of Statistical Learning: Data Mining. Inference. and Prediction http://www.amazon.com/dp/B00GSCXVN2?tag=inspiredalgor-20
机器学习领域的研究人员会深入了解机器学习的某个方面，并努力去扩展该领域。 研究人员对本专业的研究论文、期刊、组织、网络等很感兴趣。 教科书对他们来说，可就不适用了。 他们需要参考一些知名度高的期刊和论文集： Journal of Machine Learning Research (JMLR) http://www./ Neural Information Processing Systems (NIPS) https:/// Knowledge Discovery and Data Mining (SIGKDD) http://www./ International Conference on Machine Learning (ICML) https://en./wiki/International_Conference_on_Machine_Learning
检验Quora上关于“机器学习最好的会议和期刊是什么？”。 https://www./What-are-the-best-conferences-and-journals-about-machine-learning
这儿有一个很方便的人工智能排名前50位的期刊列表。 http://www./journalrank.php?category=1702
其他领域的研究人员可能也会对机器学习感兴趣，但是是把它当作工具。他们更关注用自己的数据建造描述性或预测性的模型。 例如，客户研究、地质学、或者生物学领域的科学家有他们自己的数据集。他们会用建模的方法来预测未来可能会发生的问题。 相比于模型的准确度，他们更关注模型的可解释性。因此，从统计学借鉴过来的简单易懂的方法更易被接受，例如线性回归和逻辑回归。 当然，好的系统化过程仍然需要。 我会推荐“工程人群”里提到的资源，尤其是“Developer Interested in Delivering One-Off Predictions”。另外可以看一下“数据人群”里“数据科学家”那部分。 工程人群 工程人群基本上是开发人员，他们希望将机器学习用于自己项目的解决方案中。 对于开发人员，推荐一篇很好的文章“Machine Learning for Programmers”。 http:///machine-learning-for-programmers/
工程人群可以从答疑网站的机器学习社区中获得很多帮助和支持。 更多的信息，可以参考文章“Machine Learning Communities”。 http:///machine-learning-communities/
对于编程人员来说，一个很好的掌握机器学习技能的方法是：从零基础开始，利用现有的编程能力实现机器学习的算法。 这个方法我讲过很多次，也在我的博文“Understand Machine Learning Algorithms By Implementing Them From Scratch”中提供了很棒的小窍门和资源。 http:///understand-machine-learning-algorithms-by-implementing-them-from-scratch/
在这篇博文中，我还针对这个方法推荐了三本书 Data Science from Scratch: First Principles with Python http://www.amazon.com/dp/149190142X?tag=inspiredalgor-20 Machine Learning in Action http://www.amazon.com/dp/1617290181?tag=inspiredalgor-20 Machine Learning: An Algorithmic Perspective http://www.amazon.com/dp/1466583282?tag=inspiredalgor-20
一个开发人员不一定得是很棒的程序员，而编程也不需要交付一个准确可靠的预测模型。 一个一次性的预测模型可以在商业环境中提供一套预测信息。在自学、处理实际数据集甚至在机器学习竞赛中，这种模型都算是非常理想的。 如果你经历过系统地解决问题的全部过程，并提供出一个独立的模型，你将获益良多。 Data Mining: Practical Machine Learning Tools and Techniques http://www.amazon.com/dp/0123748569?tag=inspiredalgor-20 Applied Predictive Modeling http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20
你可以从我的博文“Process for working through Machine Learning Problems”中了解到端对端的解决机器学习问题的系统流程。 http:///process-for-working-through-machine-learning-problems/
一个工程师要想在他们的软件项目中加入机器学习，需要掌握的知识包括算法、端对端解决问题、以及在软件实际运转的情况下如何让算法可靠执行。 这类人群是从前面的两类人群成长而来的，称他们为机器学习工程师可能更恰当。他们致力于使用高速的算法来提供准确可靠的结果，并在二者中寻求平衡。 这类人群也大量使用了机器学习书库和基础架构。 在启动中的机器学习书库中，包括如下有用的资源： Building Machine Learning Systems with Python http://www.amazon.com/dp/B00E7NC9D2?tag=inspiredalgor-20 Learning scikit-learn: Machine Learning in Python http://www.amazon.com/dp/1783281936?tag=inspiredalgor-20 Practical Data Science with R http://www.amazon.com/dp/1617291560?tag=inspiredalgor-20 Machine Learning with R http://www.amazon.com/dp/1784393908?tag=inspiredalgor-20
另外，还可以参阅文章“Building a Production Machine Learning Infrastructure”。 http:///building-a-production-machine-learning-infrastructure/
数据人群 通常来说，这类人群主要跟数据打交道，但可能也需要用到机器学习的知识。 一名优秀的数据科学家，绝不能停止学习。 你必须了解最新的数据流、技巧和算法。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能。 从“工程部落”项下列出的更为实用的资源中，以及从“学术部落”项下列出的更为理论化的资源中，数据科学家可以获取自己需要的资源。 但是一些以数据科学为主的机器学习资源既有实用性又有理论性，这些资源包括： Applied Predictive Modeling http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20 An Introduction to Statistical Learning: with Applications in R http://www.amazon.com/dp/1461471370?tag=inspiredalgor-20 Machine Learning for Hackers http://www.amazon.com/dp/1449303714?tag=inspiredalgor-20
数据分析员主要对商业利益背景下的数据解释感兴趣。有时，机器学习算法有助于得出性能更好的模型。这些模型大多为描述模型，但是有时也包括预测模型。 和“普通研究人员”这个群体一样，这个群体可能在统计学和统计推论上有着良好的基础。另外，由于他们对描述模型最感兴趣，因此掌握线性回归和逻辑回归之类的经典算法可能就足够了。相对于准确性，所得模型的解释能力更好。 从统计推论的角度而言，上文提到的资源很很有用。 原文地址 http:///machine-learning-tribe/
|
