# 如何開始機器學習：自學藍圖 > 原文： [https://machinelearningmastery.com/get-started-machine-learning/](https://machinelearningmastery.com/get-started-machine-learning/) 您如何開始機器學習，特別是深度學習？最近在機器學習 sub-reddit 中詢問了這個[問題。](http://www.reddit.com/r/MachineLearning/comments/2p9lz0/suggestions_for_a_beginner/) 具體來說，問題的原始海報已經完成了 [Coursera 機器學習課程](https://www.coursera.org/course/ml)，但感覺他們沒有足夠的背景來開始深度學習。 我寫了一篇[冗長的回復](http://www.reddit.com/r/MachineLearning/comments/2p9lz0/suggestions_for_a_beginner/cmv760d)，我認為這可能對一般情況下有幫助的其他人有所幫助。 在這篇文章中，我重申了我的回答，并通過您可以用來開始的鏈接和引用來詳細說明。 你完成了 Coursera 機器學習嗎？您是否希望深入了解特定算法（如隨機森林或深度學習）或競賽（如 Kaggle），但感覺您不能因為您缺少背景知識的一些關鍵要素？ 如果這些問題引起共鳴，那么這篇文章就是為你而寫的。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/12/How-To-Get-Started-In-Machine-Learning.jpg) 如何開始機器學習 攝影： [Sheila Sund](http://www.flickr.com/photos/sheila_sund/8983237721) ，保留一些權利 ## 現在開始 深度學習很有意思。它已被證明可以在硬問題上實現最先進的結果，并且有一些庫可以將這些方法應用到您的 PC 現成的標準數據集中。 通過處理一些問題，甚至可能嘗試復制一些有趣的結果，你可以很快地學到很多東西。 我的默認答案是不要等到學習技術 x。如果深度學習是你想要的工作，那么就開始工作吧。不要等待假想的看門人授予你許可。 同樣的論據適用于大數據入門，Kaggle 比賽或機器學習的任何其他方面。 **停止“準備就緒”，而不是“開始工作”在您最感興趣的區域。** 根本問題是自我限制的信念，這些是關于你自己的信念，阻礙你的進步。我在帖子“什么阻礙了你的機器學習目標？”中詳細介紹了這一點。 ## 機器學習自學藍圖 通過理解它只是適用于特定類別問題的另一類算法（文本，音頻和圖像等復雜數據類型，與表格數據不同），可以明智地為深度學習添加上下文。 更廣泛的途徑可能是深入學習，作為更廣泛的機器學習自學的一部分。 鑒于您已經完成了 Coursera 機器學習課程，您將擁有一個清晰的基礎來構建。我建議以下內容，為自學和獲得結果量身定制（與正式學習和理論相對）。 ### 1.學習和實踐應用機器學習的過程。 * 學習解決問題的逐步過程（ [KDD](http://machinelearningmastery.com/what-is-data-mining-and-kdd/ "What is Data Mining and KDD") ， [Crisp-DM](http://en.wikipedia.org/wiki/Cross_Industry_Standard_Process_for_Data_Mining) ， [OSEMN](http://www.dataists.com/2010/09/a-taxonomy-of-data-science/) ，等等）。 * 學習一個現成的工具或工具鏈，讓你重復這個過程（如 [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") 或 [R](http://machinelearningmastery.com/what-is-r/ "What is R") ）。 * 在適合內存的小型標準數據集上實施該過程（如 [UCI 機器學習庫](http://archive.ics.uci.edu/ml/)上的那些）。 這將建立您對工作問題的信心，并解決出現的新問題。您還將開始了解算法和技能的適用位置，找出您擅長的內容以及您需要處理的內容，從而優先考慮您接下來要學習的內容。 也許你決定深入一個領域并成為一名專家，也許你決定做廣泛的事情并幫助作為數據科學家的業務。 通過“[處理機器學習問題](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/ "Process for working through Machine Learning Problems")的過程”中的特定步驟鏈接，了解有關應用機器學習過程的更多信息。 ### 2.建立已完成工作的組合。 * 使用上面＃1 中的項目作為已完成工作組合的基礎。 * 確保每個項目/結果 100％可重復（使用腳本或逐步說明或其他）。 * 為每個項目創建半正式的工作產品，分享已完成的工作，如何完成以及學習內容（在每個倉庫上使用 GitHub README 文件，撰寫博客文章，創建 PDF 技術報告，強力點等等）。 這將毫不含糊地證明您可以完成項目。當您利用所學知識并且可以用來向第三方展示您不斷增長的技能和能力，如果您開始尋找工作，它將使您有信心接受更大，更有趣的項目。 在“[構建機器學習組合：完成小型項目并展示您的技能](http://machinelearningmastery.com/build-a-machine-learning-portfolio/ "Build a Machine Learning Portfolio: Complete Small Focused Projects and Demonstrate Your Skills")”中了解有關構建機器學習項目組合的更多信息。 ### 3.設計和執行小型自學項目。 * 擴展＃2 的半正式工作產品的方法，并使用自學來填補你的空白。 * 深入研究算法（確保學習算法，還有數據準備方法，或者您需要的任何區域） * 深入研究問題（一個特定的問題實例，例如來自 Kaggle，或研究一類問題） * 深入研究工具（研究工具并弄清楚如何在您的過程中最好地使用它，深度學習工具可以適用于此處） 這將為您提供系統化的流程，您可以使用它來填補機器學習中針對您個人目標的任何空白。您可以使用它來更好地應用算法（如隨機森林），以更好地理解方法的數學（如 SVD）。只有當你需要它時才能得到你需要的東西（而不僅僅是你需要的時候）。 了解更多關于設計和執行自學項目的信息，我稱之為“_ 小項目方法 _”，后期“ [4 自學機器學習項目](http://machinelearningmastery.com/self-study-machine-learning-projects/ "4 Self-Study Machine Learning Projects")”描述了這種方法。 **你永遠不會知道足夠的統計數據，數學或編程等等。** 這些并非真正有限的主題。 如果您對機器學習真的很感興趣，那么您需要做的研究將是終生的，您需要系統和信心來有效地進行研究。