# 你應該培養的 5 個機器學習領域 > 原文： [https://machinelearningmastery.com/5-machine-learning-areas-you-should-be-cultivating/](https://machinelearningmastery.com/5-machine-learning-areas-you-should-be-cultivating/) 您希望學習機器學習以獲得更多工作機會或找到工作。您可能已經在擔任數據科學家或機器學習工程師，并希望提高您的技能。 它很容易掌握機器學習技能，因為它是編程技巧（你做不到）。 從數據分析類型工作到完整系統架構和集成，需要一些從事數據挖掘和機器學習的技能。 然而，您可能希望開發一些常見任務和常用技能，就像您可以為有抱負的軟件開發人員所建議的那樣。 在這篇文章中，我們將看看您可能想要開發技能的 5 個關鍵領域以及您可以在這些領域進行練習的活動類型。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/10/machine-learning-skills.jpg) 培養您的機器學習技能攝影： [Rachel Johnson](http://www.flickr.com/photos/rachel-johnson/4298911131) ，保留一些權利 ## 1.機器學習基礎和理論 你需要了解基礎知識。這包括[定義](http://machinelearningmastery.com/what-is-machine-learning/ "What is Machine Learning: A Tour of Authoritative Definitions and a Handy One-Liner You Can Use")和[核心原則](http://machinelearningmastery.com/data-learning-and-modeling/ "Data, Learning and Modeling")。 您應該知道有監督和無監督的學習是什么以及每個的例子。你應該知道什么是過度學習和學習不足。 您還應該知道[估計預測模型對未見數據的表現](http://machinelearningmastery.com/how-to-evaluate-machine-learning-algorithms/ "How to Evaluate Machine Learning Algorithms")，[這樣做的常用方法](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")和常見問題的重要性。 您還需要了解一些理論基礎，包括使用概率論，線性代數和信息理論熟悉符號和算法描述。 您可能需要閱讀一些介紹性書籍，或者一些教科書的介紹部分。輕松并繼續將您學到的知識與您感興趣的實際問題或數據集聯系起來。 ## 2.機器學習算法 您需要了解機器學習算法。 你可以揮揮手臂并評論這個算法對這種情況有好處，但大部分都是垃圾。 [通過大量的算法和算法參數的經驗測試](http://machinelearningmastery.com/a-data-driven-approach-to-machine-learning/ "A Data-Driven Approach to Machine Learning")找到了良好的結果。 您可以和應該學習的是[那里有哪些算法](http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/ "A Tour of Machine Learning Algorithms")，一般類，以及它們如何工作。 閱讀，研究甚至[從多個應用和理論來源構建您自己的算法描述](http://machinelearningmastery.com/how-to-learn-a-machine-learning-algorithm/ "How to Learn a Machine Learning Algorithm")。 [從頭開始實現算法](http://machinelearningmastery.com/tutorial-to-implement-k-nearest-neighbors-in-python-from-scratch/ "Tutorial To Implement k-Nearest Neighbors in Python From Scratch")，以熟悉任何給定的算法實現必須使用的無數微決策。 試驗算法。研究他們的行為以及他們的參數對他們的影響，并在多個標準問題實例中進行推廣。 ## 3.機器學習工具 您需要能夠完成任務，這需要工具。 每次需要時，你都無法從最初的原則中實現一切。這是荒謬的。 您必須了解哪些工具，可以使用的以及何時使用它們。 學習一些機器學習工具和庫，在標準數據集和競賽中使用它們。了解他們的功能。了解它們提供的算法以及這些實現的怪癖。 我推薦至少 [Weka](http://machinelearningmastery.com/how-to-run-your-first-classifier-in-weka/ "How to Run Your First Classifier in Weka") ， [scikit-learn](http://machinelearningmastery.com/a-gentle-introduction-to-scikit-learn-a-python-machine-learning-library/ "A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library") 和 [R](http://machinelearningmastery.com/what-is-r/ "What is R") 。我有很多關于秘籍的博客文章，只是搜索。 ## 4.機器學習問題 機器學習算法的兄弟是[問題](http://machinelearningmastery.com/practical-machine-learning-problems/ "Practical Machine Learning Problems")。他們是雙胞胎，不能分開。 你必須學習機器學習問題。這包括[案例研究](http://machinelearningmastery.com/discover-the-methodology-and-mindset-of-a-kaggle-master-an-interview-with-diogo-ferreira/ "Discover the Methodology and Mindset of a Kaggle Master: An Interview with Diogo Ferreira")，例如競賽和論文的結果。 它還嚴格地包括如何解決問題。 [機器學習問題解決過程](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/ "Process for working through Machine Learning Problems")。如何從描述到呈現結果端到端地解決問題。 此外，您在此過程中使用了哪些工具，以及如何將結果從一個步驟轉到下一個步驟。每個步驟成功的標準是什么。 如果你來自工程背景而不是算法變得容易，另一方面解決問題需要學習和努力工作。你必須成為科學家，制定并客觀地檢驗假設。 編程不需要這種技能（好的，故障查找將是一個例外）。 ## 5.保持最新狀態 你必須保持最新狀態。 當然這意味著要進行一些深度學習，因為這是一個熱門的時尚。它很有可能在您遇到的那個難題上提供最先進的結果。 它還意味著隨時了解新聞，開發工具（更改日志，會議等），理論和算法（研究論文，博客，會議視頻等）。 技術變化很快，這是高科技。它變化得更快。期待并培養這種變化。 ## 摘要 這是一篇短文，但我認為很重要。 我們觸及了您應該培養的 5 個機器學習領域，以實現您在該領域的目標。 這五個領域又是： 1. **機器學習基礎和理論**：為定義，術語，原理和理論奠定堅實的基礎。 2. **機器學習算法**：讀取和研究算法，從頭開始實現算法并對它們進行實驗，以便為它們的工作方式和原因建立直覺。 3. **機器學習工具**：在憤怒中學習和使用機器學習工具和庫，以有效利用您的時間。 4. **機器學習問題**：研究問題案例研究，并不斷研究應用機器學習的過程（或 KDD 或任何你想稱之為的）。 5. **保持最新**：讓自己了解算法，問題工具甚至炒作的最新動態。期待一切都繼續前進。 你不能一次完成所有這一切，選擇一個區域并花一些時間，然后更改它。 您目前正在培養這五個領域中的哪一個？