# 從頭開始實施機器學習算法的好處 > 原文： [https://machinelearningmastery.com/benefits-of-implementing-machine-learning-algorithms-from-scratch/](https://machinelearningmastery.com/benefits-of-implementing-machine-learning-algorithms-from-scratch/) 入門時機器學習很難理解。有許多規定和使用的算法和過程，許多難以滲透解釋工作的方式和原因。 它可以感到壓倒性的。 可用于處理機器學習算法和實踐的方法是從頭開始實現它們。這將使您深入了解算法的工作原理以及方法中可以參數化或修改以將其調整為特定問題的所有微決策點。 在本文中，您將了解從頭開始實現機器學習算法的優勢和局限性，以及如何通過完成算法教程來加速此過程。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/09/Follow-Tutorials-to-Implement-Machine-Learning-Algorithms.jpg) 按照教程實施機器學習算法 照 [ucdaviscoe](https://www.flickr.com/photos/ucdaviscoe/6046652813) ，保留一些權利 ## 實現機器學習算法 從頭開始實現機器學習算法可以讓您深入理解算法以及僅通過應用該方法難以實現的置信度和所有權感。 ### 優點 從頭開始實施算法的好處是： * **了解**：您將深入了解該算法的工作原理。您了解該方法的數學描述如何與您編碼操作的數字的向量和矩陣相關。您還將了解所有參數的使用方式，效果，甚至可以深入了解如何進一步參數化以使其專門針對問題。 * **起點**：您的實施將為更高級的擴展甚至是使用該算法的操作系統提供基礎。您對算法和實現的深入了解可以讓您在使用不透明的現成庫時了解自己代碼的空間和時間復雜性。 * **所有權**：實施是您自己的實施，讓您對如何實現系統的方法和所有權充滿信心。它不再僅僅是一種機器學習算法，而是一種現在位于工具箱中的方法。 ## 獲取免費算法思維導圖  方便的機器學習算法思維導圖的樣本。 我已經創建了一個由類型組織的60多種算法的方便思維導圖。 下載，打印并使用它。 ### 擴展 實現算法后，您可以探索對實現進行改進。您可以探索的一些改進示例包括： * **實驗**：您可以將您在算法實現中做出的許多微觀決策暴露為參數，并對這些參數的變化進行研究。這可以為您提供可以共享和推廣的算法實現的新見解和消歧。 * **優化**：您可以通過使用工具，庫，不同語言，不同數據結構，模式和內部算法來探索提高實施效率的機會。您對經典計算機科學的算法和數據結構的了解對此類工作非常有益。 * **專業化**：您可以探索使算法更具體針對問題的方法。創建生產系統時可能需要這樣做，這是一項寶貴的技能。使算法更具體問題還可以導致效率（例如運行時間）和功效（例如準確度或其他表現測量）的增加。 * **泛化**：可以通過使特定算法更通用來創建機會。程序員（如數學家）在抽象方面具有獨特的技能，您可以看到該算法如何完全應用于一類問題或其他問題的更一般情況。 ## 實現算法的局限性 從頭開始實現算法是我們之前討論過的一種方法。 [是我的](http://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/ "How to Implement a Machine Learning Algorithm")[小型項目方法論](http://machinelearningmastery.com/self-study-machine-learning-projects/ "4 Self-Study Machine Learning Projects")中的項目類型之一。在此項目類型中，我建議您在實施之前執行自己的文獻調查并首先研究算法的工作原理。 這進一步導致了算法描述模板，為[提供了一個如何有效地描述機器學習算法的工具](http://machinelearningmastery.com/how-to-learn-a-machine-learning-algorithm/ "How to Learn a Machine Learning Algorithm")，以便您深入理解它。 所有這一切的問題在于它非常耗時。研究算法涉及查找，閱讀和總結大量書籍，示例代碼和研究論文，并且可以在數天到數周的時間內完成一位優秀的學術研究人員。 如果您認為您可能想要實施十幾種機器學習算法，您可能很容易被要求投入超過半年的時間。 此外，您自己的代碼實現可能存在可能難以找到的錯誤（這些算法有一種工作方式可以激發錯誤，降低表現）。在使用代碼實現方法之前，您可能還會遇到必須理解的數學中非直觀的飛躍。 ## 通過教程簡化流程 您可以通過跟隨并完成教程來簡化此過程。 機器學習算法教程解釋了該方法，并向您展示如何從頭開始逐步實現算法，以便最終實現一個有效的實現。您可以從頭開始獲得算法實現的所有好處，而無需研究和破譯教科書和學術論文。 一個好的教程有許多原則： * **循序漸進**：指南是離散的，引導讀者一步一步地穿過材料，隨著前進步驟的發展。 * **模塊化**：實現被細分為模塊化部分，這些模塊化部分在被繪制到整個算法的最終工作演示之前被獨立顯示和演示。 * **慢**：執行緩慢，在每個漸進步驟中引入一個新東西，以便整體可以理解為各部分的總和。 * **代碼**：每個步驟和整個教程的完整工作示例。很明顯，但是很容易忘記或者因為沒有測試代碼而陷入困境。必須解釋所有代碼并且必須執行。 * **參考文獻**：必須為希望深入了解材料的讀者提供額外的資源和閱讀材料。 * **擴展**：完成本教程后，如果他們有興趣進一步實施，必須建議讀者可以采取的其他練習。必須就如何整合其他先進元素或如何解決所提供實施方案的問題提出建議。 這是一種在編程中學習算法和數據結構的流行方法，并且這種方法因其簡單性而容易被忽視。因此，很少有好的機器學習算法教程可用。 對于python程序員來說，這是一本很好的資源：[編程集體智能：構建智能Web 2.0應用程序](http://www.amazon.com/dp/0596529325?tag=inspiredalgor-20)。本書將從頭開始逐步創建一系列機器學習系統。 ## 摘要 在這篇文章中，您發現了從頭開始實現機器學習算法的好處，以及它可以提供的復雜算法的信心和主人翁意識。 您發現了這種方法的局限性，以及在教科書和研究論文可以實施之前研究，提煉和總結算法需要多長時間。 最后，您發現了一個簡短的方法是遵循機器學習算法教程，該教程向您展示如何從頭開始實現算法并為您提供優勢并使您不必進行研究。 我目前正在準備一系列關于如何從頭開始實現算法的機器學習教程。如果您對此感興趣，請發表評論并告訴我。