# 如何研究機器學習算法 > 原文： [https://machinelearningmastery.com/how-to-research-a-machine-learning-algorithm/](https://machinelearningmastery.com/how-to-research-a-machine-learning-algorithm/) 算法是機器學習領域的重要組成部分。 您需要了解那里有哪些算法，以及如何有效地使用它們。 簡化這種知識的一種簡單方法是回顧已知的算法，研究它。 在這篇文章中，您將發現研究機器學習算法的重要性以及可用于加速理解機器學習算法的5種不同來源。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/10/Research-Machine-Learning-Algorithms.jpg) 研究機器學習算法 攝影： [Anders Sandberg](http://www.flickr.com/photos/arenamontanus/2243540719) ，保留一些權利 ## 為什么研究機器學習算法 您需要了解算法以掌握機器學習。 機器學習算法與您可能熟悉的其他算法（如排序算法）不同。 機器學習算法不僅依賴于數據，而且還具有自適應性。通常，給定機器學習算法的核心是隨機的優化過程，這意味著它具有隨機性的元素。因此，這使得機器學習算法更難以分析并且難以對最佳和最差表現做出判斷。 您需要應用，實施或深入思考算法以理解它們。 您可以描述算法如何作為數學秘籍，但要理解它在實踐中的行為，您必須在行動中研究它。您可以對算法進行實驗，將其應用于許多問題并提煉出它的行為以及如何在面對不同的問題類型時公開和利用這些行為。 或者，您可以采用的快捷方式是在您之前深入了解其他人對算法的理解。 您需要算法背景，這些算法只來自研究它們。 ## 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。 ## 研究算法時要使用的5個來源 研究機器學習算法需要從多個來源對算法進行系統研究。 這可能聽起來比實際上更可怕。您的目標是建立自己對不同機器學習算法的一致理解，并且對您個人的一致理解，并且需要從多個來源對給定算法的解釋進行整理。 不同的來源可用于不同的目的，因此您需要仔細而有目的地挑選這些來源。 首先要清楚地了解為什么要研究給定的機器學習算法，然后選擇那些能夠最好地回答您所擁有的問題的來源。 您可以在研究機器學習算法時使用5種不同的來源，我們將依次對每種來源進行審核。 ### 1.權威來源 權威來源提供專家解釋和算法描述。 它們對于快速掌握算法非常有用，因為解釋通常是嚴格且有些標準化的，至少在材料中是這樣。 描述也可以是密集的，通常沉浸在數學中，并且使用學術語言專注于理論方面。這樣，如果沒有足夠的背景，它們很難穿透。 權威來源的例子包括： * 教科書，如研究生機器學習課程中使用的教科書。 * 講義和幻燈片，例如在研究生機器學習課程中提供的那些。 * 概述文件，例如構成關于某個主題的學術綱要的文章。 ### 2.精神來源 精神來源是專家來源和算法的原始描述。 精神資源有助于進入原作者的頭腦或機器學習算法的描述，并梳理出算法參數和過程的意圖。 這些來源幾乎總是學術和理論，只偶爾包含有用的使用信息。 開創性資料的例子包括： * 會議論文和期刊文章。 * 可能在該方法的原始出版物之前或補充的技術報告。 ### 3.前沿來源 許多算法正在進行研究。這可以采取擴展，深入研究甚至簡單應用的形式，并將該方法與其他方法進行比較。 我將這些來源稱為前沿，因為它們暴露了有關機器學習算法的有用的新的和最先進的信息。 可以使用前沿源來很好地了解當前正在處理與算法相關的問題。這些可能代表您可以注意到的算法中的有趣或困難的子過程。 前沿源通常是密集且技術性的，并且需要代表您進行大量工作來解釋工作的意圖并提取有助于您更好地理解算法的突出細節。 前沿來源的例子包括： * 會議論文和期刊文章。 * 全體會議和研討會等會議講座。 ### 4.使用啟發式來源 在研究用于實際和應用目的的機器學習算法時，使用啟發式和最佳實踐可能是您感興趣的關鍵信息類型。 用法啟發式源提供了如何在實踐中使用給定機器學習算法的專家描述。它們適用于實際使用建議，例如參數配置，建議的數據準備步驟，甚至有關如何針對特定類別的問題調整和擴展算法的建議。 通常，這些來源缺少必須通過直接聯系作者推斷或尋求的細節。不要期望能夠輕松地從這些來源重現結果，專注于提取可用于提示算法使用的啟發式方法。 使用啟發式源的示例包括： * 描述機器學習競賽結果的論文，如KDD Cup和Kaggle。 * “_我做了什么_”博客文章和論壇帖子與機器學習比賽有關。 * 問答網站，如Cross Validated和其他機器學習社區網站。 * 應用會議論文。 ### 5.實施來源 您可能對研究算法感興趣，因為您想要實現它。除了上面列出的其他來源之外，您還應該參考實施源。 這些是由專家或半專家準備的資源，這些資源在庫和工具中提供機器學習算法的實現。樣本可以在許可或開源許可下發布，供您學習。 這些來源很好地了解了如何將給定的機器學習算法轉換為可執行和可用的系統。 實施來源的示例包括： * 開源項目，如庫和工具。 * 相關機器學習博客上的帖子。 * 研究生或研究實驗室編寫的技術報告。 通常，博客文章的實現是出于教學和理解目的而提供的，并且可能不是為了速度或可伸縮性而編寫的。您在庫和工具中找到的開源算法實現通常是高度優化的，不是為了可讀性而編寫的。 ## 研究不僅僅適用于學者 您可以研究機器學習算法。不要被正式的學術語言和論文和文章的媒介所嚇倒。 您不需要成為博士研究或機器學習算法專家。 您可以像任何人一樣閱讀論文，書籍和算法實現。 通常，難以閱讀的論文的問題在于作者，而不在于讀者。寫一個算法或研究的良好技術處理是非常困難的，當你找到它們時，那??些好的資源就是寶石。 ## 行動步驟 在這篇文章中，您發現了研究機器學習算法和5個源的重要性，您可以使用它們來查找機器學習算法所需的信息。 下一步是練習你新發現的技能。 1. 選擇要研究的算法。 2. 考慮您想要了解的算法，并從上面的列表中選擇最能回答您問題的來源。 3. 系統地研究算法。從 [Google學術搜索](http://scholar.google.com/)開始，如果您正在尋找論文，請輸入算法名稱。從Google搜索 [GitHub](https://github.com/) 開始，如果您正在尋找算法實現，請輸入算法名稱。 分享你學到的東西。