<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ThinkChat2.0新版上線,更智能更精彩,支持會話、畫圖、視頻、閱讀、搜索等,送10W Token,即刻開啟你的AI之旅 廣告
                # 機器學習入門的四個步驟:初學者入門與實踐的自上而下策略 > 原文: [https://machinelearningmastery.com/4-steps-to-get-started-in-machine-learning/](https://machinelearningmastery.com/4-steps-to-get-started-in-machine-learning/) 入門比您想象的要容易得多。 在這篇文章中,我向您展示了自上而下的應用機器學習入門方法。您將發現這種方法的四個步驟。他們應該感到熟悉,因為它可能與您用來學習如何編程的自上而下的方法相同。也就是說,獲得基礎知識,練習很多,然后在你迷上之后深入細節。 在帖子的最后,我鏈接到我的迷你課程,可以快捷路徑,并為您提供一步一步的說明,以啟動和練習應用機器學習。 ## 初學者是不同的 初學者對機器學習很感興趣,但不知道如何邁出第一步。他們感到困惑,因為博客和課程中的材料幾乎總是處于中間水平。 [![machine learning](img/3bf77b3b9d862a837816cbcc76316d08.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/03/machine-learning.jpg) 機器學習 攝影: [Erik Charlton](http://www.flickr.com/photos/erikcharlton/2955613283/sizes/l/) ,保留一些權利。 典型的書籍和大學水平的課程是自下而上的。在完成之前,他們在研究幾個關鍵算法和理論之前教授或要求數學。如果您有時間,耐心和適當的背景,這可能是一個很好的方法。并不是每個人都有這么多的空閑時間或渴望在獲得應用機器學習的肉和土豆之前通過如此多的低級材料。 我從初學者那里收到很多電子郵件,詢問如何開始機器學習的建議。這是一個棘手的問題,因為有很多可能性,我可以推薦很多東西。我告訴他們[不要深入數學](http://machinelearningmastery.com/what-if-im-not-good-at-mathematics/ "What if I’m Not Good at Mathematics")和[不要直接回到學校](http://machinelearningmastery.com/what-if-i-dont-have-a-degree/ "What if I Don’t Have a Degree")。 我建議的學生和專業人員幾乎都是程序員或具有工程背景,我告訴他們,為他們提供更有效的機器學習途徑。 ## 解決方案是自上而下 我對機器學習初學者的建議是采用自上而下的方法。 [![Beginners are Different](img/54e47ebf8f5502522f6cef78112e1748.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/03/beginners-are-different.jpg) 初學者不同 照 [mikebaird](http://www.flickr.com/photos/mikebaird/2128093018/sizes/l/) ,保留一些權利。 我建議初學者在將大量時間資源用于研究理論之前,采取更快的路線來發現應用機器學習的全部內容。它是有道理的,它是熟悉的,因為它是你首先編程興奮的方式,然后潛入并使其成為學習和職業的焦點。 自上而下的方法是快速學習使用軟件工具端到端地完成機器學習問題的高級逐步過程。使用現代平臺,可以使用復雜的最先進算法以及嚴格的驗證和統計假設檢驗,在幾分鐘到幾小時內解決小問題,所有這些都在工具中自動執行。 在你熟悉并對這個過程充滿信心之后,我建議你開始深入研究機器學習的算法和理論方面。首先,為什么以后。 我們可以總結這種自上而下的方法如下: 1. 了解應用機器學習的高級過程。 2. 了解如何使用足夠的工具來解決問題。 3. 關于數據集的實踐,很多。 4. 過渡到機器學習算法的細節和理論。 ## 應用機器學習過程 我已經寫了很多關于應用機器學習的[過程。我主張分類和回歸類型問題的 6 步過程,這是大多數機器學習問題核心的常見問題類型。過程如下:](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/ "5-Part Process for working through Machine Learning Problems") 1. [問題定義](http://machinelearningmastery.com/how-to-define-your-machine-learning-problem/ "How to Define Your Machine Learning Problem"):理解并清楚地描述正在解決的問題。 2. [分析數據](http://machinelearningmastery.com/quick-and-dirty-data-analysis-for-your-machine-learning-problem/ "Quick and Dirty Data Analysis for your Machine Learning Problem"):了解將用于開發模型的可用信息。 3. [準備數據](http://machinelearningmastery.com/how-to-prepare-data-for-machine-learning/ "How to Prepare Data For Machine Learning"):發現并公開數據集中的結構。 4. [評估算法](http://machinelearningmastery.com/how-to-evaluate-machine-learning-algorithms/ "How to Evaluate Machine Learning Algorithms"):開發[強大的測試工具](http://machinelearningmastery.com/how-to-choose-the-right-test-options-when-evaluating-machine-learning-algorithms/ "How To Choose The Right Test Options When Evaluating Machine Learning Algorithms")和基線精度,從中改進和[抽樣檢查算法](http://machinelearningmastery.com/why-you-should-be-spot-checking-algorithms-on-your-machine-learning-problems/ "Why you should be Spot-Checking Algorithms on your Machine Learning Problems")。 5. [改善結果](http://machinelearningmastery.com/how-to-improve-machine-learning-results/ "How to Improve Machine Learning Results"):利用結果開發更準確的模型。 6. [目前的結果](http://machinelearningmastery.com/how-to-use-machine-learning-results/ "How to Use Machine Learning Results"):描述問題和解決方案,以便第三方能夠理解。 [![Applied Machine Learning Process Overview](img/5e14bc0926788f2faea70d51751bc335.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/03/Process-Overview.png) 應用機器學習過程概述 通過對您所處理的每個問題執行此結構化流程,您可以實施最低嚴格程度,并顯著提高獲得良好(或更可能是優秀)結果的可能性。 ## 使用 Weka Machine Learning Workbench Weka Machine Learning Workbench 是初學者入門時學習的軟件平臺。 我認為在開始使用 [Weka](http://machinelearningmastery.com/what-is-the-weka-machine-learning-workbench/ "What is the Weka Machine Learning Workbench") 的決定是完全明智的,因為: * 它提供了一個簡單的圖形用戶界面,它封裝了上面概述的應用機器學習過程。 * 它有助于算法和數據集探索以及嚴格的實驗設計和分析。 * 它是免費和開源的,根據 GNU GPL 許可。 * 它是跨平臺的,可在 Windows,Mac OS X 和 Linux 上運行(需要 Java 虛擬機)。 * 它包含最先進的算法,具有令人印象深刻的決策樹,基于規則的算法和集合方法,以及其他方法。 [![Weka Explorer Interface with the Iris dataset loaded](img/ba8bd77b7cafc1ce4aaec936e068a9fb.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/02/weka-explorer.png) 加載了 Iris 數據集的 Weka Explorer Interface 您可以親眼看看平臺的使用方式,我已經編寫了許多 5 分鐘的 Weka 教程,例如: * [如何運行你的第一個分類器](http://machinelearningmastery.com/how-to-run-your-first-classifier-in-weka/ "How to Run Your First Classifier in Weka") * [如何設計和運行您的第一個實驗](http://machinelearningmastery.com/design-and-run-your-first-experiment-in-weka/ "Design and Run your First Experiment in Weka") * [如何在設計實驗中嚴格調整算法](http://machinelearningmastery.com/how-to-tune-a-machine-learning-algorithm-in-weka/ "How to Tune a Machine Learning Algorithm in Weka") * [如何在 Weka 中使用集合方法](http://machinelearningmastery.com/improve-machine-learning-results-with-boosting-bagging-and-blending-ensemble-methods-in-weka/ "Improve Machine Learning Results with Boosting, Bagging and Blending Ensemble Methods in Weka") 此外,如果直接進入 Weka,您可以從命令行運行算法,并通過應用程序編程接口將算法集成到您的應用程序中。它是一個可擴展的平臺,您可以快速輕松地將自己的算法實現到界面并在 GUI 中使用它們。 ## 實踐,實踐,實踐,數據集 一旦您啟動并運行 Weka,您需要練習應用機器學習的 6 個步驟。 Weka 安裝包括一個包含許多標準機器學習數據集的數據目錄,大多數來自實際的科學問題域。在 [UCI 機器學習庫](http://archive.ics.uci.edu/ml/)上還有大量優秀的數據集可供試用和學習。這些數據集是您開始學習和練習的絕佳場所。 * 數據集很小,很容易融入內存。 * 數據集的小尺寸也意味著算法和實驗可以快速運行。 * 問題和數據是真實的,包括您需要考慮的噪音,采樣偏差和數據收集。 * 數據很好理解,因此您可以利用已知的內容并與同行公開討論數據。 * 有比較和重新創建的“好結果”。 您可以在結構化流程的每個步驟中選擇自己的詳細程度。我建議您在開始時每步花費不超過一小時。您可以使用 Weka 在一小時內完成并了解很多問題,尤其是在設計和運行實驗時。這將使您的動力和項目速度保持高水平。 [![lots of data](img/9132dd8277417f6751a581f7633c45cc.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2013/12/lots-of-data.jpg) 大量數據 照片歸功于 cibomahto,保留了一些權利 結構化流程鼓勵您在處理特定問題時進行觀察并記錄結果和結果。將這些觀察和發現結合在一起是明智的,也許是在項目目錄或 Github 項目中。 我建議您在完成項目時對每個項目進行博客,甚至是項目的每個步驟。您可以在自己的博客(如果有的話)或 Facebook 或 Google+更新(現在支持圖像和文本格式)上執行此操作。我喜歡公開博客項目所鼓勵的誠實。它還為您感興趣的同事和同事提供了一個指標,認真對待并開發應用機器學習中的一些東西。 ## 過渡更深 由于項目很小且流程是結構化的,因此您可以快速了解有關問題的許多內容并進行大量項目。您還可以收集有關自己問題的數據,并使用相同的流程為工作中的項目或為了您自己的利益提供有用且有意義的結果。 下一步是深入研究算法并了解它們的工作原理以及如何從中獲得更多。我建議通過閱讀[數據挖掘:實用機器學習工具和技術](http://www.amazon.com/dp/0123748569?tag=inspiredalgor-20)來深入研究這一主題。它由 Weka 平臺的原作者編寫,提供了 Weka 工作中使用的算法的方式和原因以及機器學習的其他深層關注的處理方法。 更深入的知識將使您能夠從自己的定制問題中獲得更多平臺。它還允許您更好地理解 Weka 中的方法,并且您將開始建立關于問題和算法類型之間的映射的直覺 ## 摘要 在這篇文章中,您發現了自上而下的機器學習入門方法,該方法主張學習特定的結構化過程,這是一個支持此過程的強大工具,可以在一系列重點項目中實踐應用機器學習。 你了解到這與傳統的自下而上的方法完全相反,這種方法要求你先在田間進行繁重的工作(在你甚至知道田地是否適合你之前)并讓你弄清楚如何申請算法在實踐中都是你自己。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看