我来教大家入门机器学习应用的5个步骤。 它是非传统的。 传统教授机器学习的方法是自下而上。 从理论和数学开始,然后是算法实现,最后你可以开始解决实际的问题。 在通往机器学习专业人员的道路上,传统方法的道路和实践者所需要的道路之间还是存在很大差距的。 本文这个掌握机器学习的方法克服了这个问题并且是从所能得到的最有价值的结果开始的。 这个方法针对商业领域,目标是从机器学习的实践中获得回报。 怎样展现一个结果结果的形式是一些预测或者模型的集合,它们能可靠地给出预测。 这是一种自上而下和结果优先的方法。 带着为了达到市场最想要的结果的目标,作为从业者的你,要怎样选择最短路径去得到那个结果? 我们可以将这条路径总结为5个步骤: 这就是我所有电子书(Hands-on Machine Learning Training 系列:http:///products/ )背后的逻辑。 我知道它是一种更简单的学习方法,而我需要做的事情仅仅是分享它。因此,我创建了这个网站。 下面是展示这个流程的漫画,为了简单,省略了步骤 1 和步骤 2。 一种学习机器学习更好的方法——从端对端处理机器学习问题开始。 步骤0:界标在开始之前,你应该知道机器学习的分界范围。 我经常只是假设它,但是,除非你了解一些基础,否则你无法进行工作。
步骤1:心态机器学习不只是面向那些教授的。 它不只属于天才和学者。 你必须相信 你可以学习它并用它解决问题。
找个借口不开始机器学习是非常容易的事情。
抛掉那些限制你开始的想法吧。 是什么阻止你实现你的机器学习目标的:http:///what-is-holding-you-back-from-your-machine-learning-goals/ 机器学习的道路上,你会碰到很多会使你减速的问题。 为什么是机器学习?一旦你知道你可以做机器学习,你需要知道为什么用它。
认真的思考一下这个问题,然后认清你用机器学习的原因。 这篇博客或许会帮助你: 一旦你清楚了原因,找到属于你的群体。
每一个群体都有不同的兴趣,它们各自从不同的角度解决机器学习领域。 这篇博客或许会帮助你: 步骤2:挑选一个过程在频繁处理问题时,你希望可靠地得到高于平均值的结果吗?
一个系统性的流程是好的结果和坏的结果之间的过山车与高于平均值并不断提升结果之间的差别。 我推荐的过程模板如下:
下面这幅图总结这个系统性流程。 选择一个系统、可重复的流程,你可以用它不断地产生结果。 想要了解这个流程的更多内容请看这篇博客: 你不需要一定去用这个流程,但是你需要一个系统性的流程来协助完成预测建模问题。 步骤3:挑选一种工具挑选可以用来产生机器学习结果的最佳工具。
对特殊领域,我也有一些建议: 深度学习的 Keras。它使用 Python 语言,意味着你可以最大化的使用 Python 生态环境从而节省大量时间。它的交互界面非常整洁,同时也支持强大的 Theano 和 Keras 后端。 用于 Gradient Boosting 的 XGBoost。它是该提升技术领域里速度最快的算法。它同时支持 R 和 Python,你可以在项目中利用任意一个平台。 下面是对应的教程: 深度学习迷你课程:http:///applied-deep-learning-in-python-mini-course/ 这仅仅是我个人的建议,对应每一个话题,我有很多博客和详细的教程。 什么编程语言?用什么编程语言并不重要。 机器学习最受欢迎的编程语言:http:///best-programming-language-for-machine-learning/ 步骤4:在数据集上应用
在不同的数据集上应用。在让你感到棘手的问题上应用,这会推动你发掘技能去得到一个结果。寻找数据问题的不同特点,例如:
使用 UCI 机器学习知识库 这篇博客中有更多内容: 利用机器学习竞赛,比如 Kaggle 练习你自己设计的问题 步骤5:建立一个组合你将构建一个已完成项目的集合。 好好利用它们。 当你处理数据集并获得更好的结果时,总结你的发现并以半正式的形式输出。
这些完成的项目中每一个都代表着你的组合的成长。 就像一个画家,你可以构建已完成工作的组合,来展示你通过提供机器学习结果而日益增长的技能。 想了解这个方法的更多内容,请参阅这篇博客: 建立一个机器学习组合:http:///build-a-machine-learning-portfolio/ 你可以自己使用这个组合,利用之前完成的代码和知识来实现更有抱负的项目。 了解更多: 应用机器学习获利:http:///ladder-approach-to-becoming-a-machine-learning-consultant/ 建议和技巧下面是一些实用的建议和技巧,在使用过程中,你可以考虑运用它们。
总结这就是应用机器学习的开始和进阶的 5 个步骤。 虽然看起来简单,但是实践起来确实需要刻苦的精神,你的努力也会得到回报。 |
|