<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>

                ??碼云GVP開源項目 12k star Uniapp+ElementUI 功能強大 支持多語言、二開方便! 廣告
                # 應用機器學習的 Hello World > 原文: [https://machinelearningmastery.com/hello-world-of-applied-machine-learning/](https://machinelearningmastery.com/hello-world-of-applied-machine-learning/) 大量的機器學習算法很容易讓人不知所措。有很多可供選擇,很難知道從哪里開始和嘗試什么。 選擇可能是癱瘓。 你需要克服這種恐懼并開始。 沒有魔法書或課程可以告訴你使用什么算法以及何時使用。事實上,在實踐中你不可能事先知道這一點。 [你必須通過反復試驗](http://machinelearningmastery.com/a-data-driven-approach-to-machine-learning/ "A Data-Driven Approach to Machine Learning")來經驗地發現它。這意味著犯了一些錯誤。 在這篇文章中,您將發現一個簡單的技巧,可以幫助您開始應用機器學習。 它會激發你的問題,激勵你深入學習,它可以幫助你挑選最喜歡的算法或工具,它會加速你的機器學習之旅。 這是一個簡單的策略,即使是經驗豐富的從業者也會因為它的簡單而忽略或忘記它。 [![Hello World of Machine Learning](img/cbd1d82739337c0169ba55d57eaf838e.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/11/Hello-World-of-Machine-Learning.jpg) 你好機器學習世界 攝影: [Faris Algosaibi](http://www.flickr.com/photos/siraf72/11272718795) ,保留一些權利 ## 熟悉機器學習算法 您需要通過各種不同的算法建立信心。 解決機器學習問題的大部分技巧都在于您可以使用的工具以及您自信地使用它們的能力。 這條道路的第一步是打開工具或庫并開始應用算法。像學習編程一樣,你需要從 [hello world](http://en.wikipedia.org/wiki/%22Hello,_world!%22_program) 開始。應用機器學習中的問題是加載數據集并運行算法。 只運行算法就是如何建立這種信心。 你應該運行很多算法。運行給定工具或庫提供的所有算法。然后嘗試另一個庫或工具。 您不想選擇收藏夾。沒有最好的機器學習算法,如果你對所有問題使用一種算法或一類算法,你將嚴重限制你可以實現的結果。 ## 運行你的第一個算法 您會對應用機器學習感興趣但未針對問題運行算法的人數感到驚訝。 你完成它之后會有多么微不足道的事情,以及你在你面前有多少,你也會感到驚訝。 程序很簡單: 1. **選擇工具**。如果您不是程序員,我推薦 [Weka](http://machinelearningmastery.com/what-is-the-weka-machine-learning-workbench/ "What is the Weka Machine Learning Workbench") ,因為它提供了圖形用戶界面。如果你是程序員,我推薦 [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") 在 Python 或 [R](http://machinelearningmastery.com/what-is-r/ "What is R") 。 2. **選擇標準數據集**。我推薦來自 [UCI 機器學習庫](http://archive.ics.uci.edu/ml/)的標準數據集,虹膜分類問題是一個經典的 hello world 分類問題。 3. **查找或設計秘籍**。確定如何使用該工具加載數據集,將其吐入訓練和測試數據集,并運行一個算法對該數據集進行預測。如果您使用的是 Weka,您可以[按照此秘籍](http://machinelearningmastery.com/how-to-run-your-first-classifier-in-weka/ "How to Run Your First Classifier in Weka")。我也有 R 和 [scikit-learn](http://machinelearningmastery.com/get-your-hands-dirty-with-scikit-learn-now/ "Get Your Hands Dirty With Scikit-Learn Now") 的[秘籍你可以使用。](http://machinelearningmastery.com/linear-classification-in-r/ "Linear Classification in R") 4. **運行秘籍**。 5. **審查結果**。考慮一下您獲得的準確性,這意味著什么。是否有關于算法的信息,請考慮這可能意味著什么。 6. **重復**。嘗試不同的算法,不同的算法配置或不同的數據集。運行大量算法。 這很容易。事實上,你應該這樣輕松地完成這個程序,并且熟悉所有優秀的機器學習工具和庫中的簡單問題。 除了選擇喜歡的算法之外,另一個問題是選擇喜歡的工具或庫。 要真正有效,您需要解決問題并使用能夠提供更好結果的所有工具。學習如何很好地使用每個工具,但要準備好跳過工具。 ## 用好奇心建立你的動機 您無需了解工具或算法的問題。還沒。您正在建立對工具及其提供的信心和熟悉程度。 你應該開始有這樣的問題: * 這個算法是如何工作的? * 為什么這個算法比這個算法提供更好的結果? * 所有這些算法參數意味著什么? 應用機器學習有很多東西需要學習,這就是為什么它是一個令人興奮和激動人心的領域。 希望這個練習能夠激勵你更深入地學習,并開始研究給定的算法或算法參數來回答其中的一些問題。 不僅要克服選擇的癱瘓,建立信心和熟悉這個工具,希望這個練習能夠激發你的好奇心。 _ 需要知道 _ 更多可以帶你走很長的路,并幫助你推進你以前認為難以穿透的材料。 了解您現在可以隨時在演示數據集上運行給定算法的美妙之處在于,您可以將書籍,博客和其他材料翻轉回您的工具并嘗試您閱讀和學習的內容。將想法付諸實踐的能力將擴大您的動力并加速您的學習。 ## 走得更遠 有很多工具,幾乎和機器學習算法一樣多。 我喜歡嘗試大多數,只是為了看看他們提供什么以及他們能做些什么。 您可以使用的技巧是在文本文件,Word 文檔或程序代碼中創建自己的小秘籍或執行計劃。如果您以后再回到該工具,這可以讓您快速了解問題或算法。 你的好奇心會讓你更進一步,你可能想要開始建立一個[機器學習算法](http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/ "A Tour of Machine Learning Algorithms")列表,[描述算法](http://machinelearningmastery.com/how-to-learn-a-machine-learning-algorithm/ "How to Learn a Machine Learning Algorithm")甚至[在小型研究項目](http://machinelearningmastery.com/how-to-research-a-machine-learning-algorithm/ "How to Research a Machine Learning Algorithm")中調查它們。 ## 行動步驟 在這篇文章中,您發現了一個簡單的技巧,可以用來克服算法壓倒性的問題。訣竅是使用現成的工具和庫,跳入并開始將算法應用于小的內存中問題。 這個技巧的美妙之處在于它熟悉了算法和工具,但更重要的是讓你對算法,它的行為和參數產生了好奇心。這種好奇心可以激勵你更深入地追求更多知識。 這種新發現的熟悉程度也將為您提供一個基礎,在您的機器學習過程中遇到它們時嘗試并付諸行動,這可以加速您的學習。 選擇一個工具并運行第一個算法。 如果你仍然卡住,[按照這個循序漸進的教程在 Weka](http://machinelearningmastery.com/how-to-run-your-first-classifier-in-weka/ "How to Run Your First Classifier in Weka") 中運行你的第一個機器學習算法。然后運行更多的算法。 分享您的經驗。你選擇了哪種工具,你運行了哪種算法,它引發了哪些問題?
                  <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