# 如何在機器學習中取得更好的成績 > 原文： [https://machinelearningmastery.com/how-to-get-better-at-machine-learning/](https://machinelearningmastery.com/how-to-get-better-at-machine-learning/) [來自 Metacademy 的科羅拉多里德](http://obphio.us/)最近寫了一篇很棒的文章，名為“ [_ 升級你的機器學習 _](http://metacademy.org/roadmaps/cjrd/level-up-your-ml) ”來回答他經常收到的問題： > 如果我想在機器學習上“更好”，我該怎么辦，但我不知道我想學什么？ 在這篇文章中，您將發現科羅拉多州建議的摘要和他的路線圖的細分。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/08/level-up-machine-learning.jpg) 升級您的機器學習 照片由[HelgiHalldórsson](https://www.flickr.com/photos/8058853@N06/4393957264)，保留一些權利 ## 在機器學習方面做得更好的策略 科羅拉多州是伯克利大學的博士生，也是 [Metacademy](http://www.metacademy.org/) 的創始人。 Metacademy 是一個開源平臺，專家合作構建維基文章。目前，文章側重于機器學習和人工智能。這是一個很棒的網站。 科羅拉多州在機器學習方面做得更好的建議是通過教科書不斷努力。他評論說，閱讀教科書的過程就是與教科書合而為一的過程。 這個策略并不令人意外，因為博士候選人可能會在當天推薦同樣的東西。這是好的建議，但是，我不認為這對每個人都是正確的建議。如果您是一名程序員，通過實現它們來讓想法滲透，那么當您希望在給定方法上采取下一步時，教科書列表可能是有用的參考。 ## 機器學習路線圖 他的機器學習路線圖又分為 5 個級別，每個級別都指向要掌握的特定教科書。五個級別是： * **0 級（_ 新手 _）**：閱讀[數據智能：利用數據科學將信息轉化為洞察](http://www.amazon.com/dp/111866146X?tag=inspiredalgor-20)。假設您了解 excel 的方式，并最終了解一些算法的存在和可能的高級數據流。 * **1 級（_ 學徒 _）**：用 R 讀取[機器學習。了解何時應用不同的機器學習算法，并使用 R 來執行此操作。假設可能有一點編程，代數，微積分和概率，但只是一點點。](http://www.amazon.com/dp/1782162143?tag=inspiredalgor-20) * **2 級（_ 熟練工 _）**：讀取[模式識別和機器學習](http://www.amazon.com/dp/0387310738?tag=inspiredalgor-20)。從數學角度了解機器學習算法的工作原理。解釋和調試機器學習方法的輸出，并掌握更深入的機器學習概念。假設有算法的工作知識，良好的線性代數，一些向量微積分，一些算法實現經驗。 * **3 級（ _Master_ ）**：讀取[概率圖形模型：原理和技術](http://www.amazon.com/dp/0262013193?tag=inspiredalgor-20)。深入研究凸優化，組合優化，概率論，微分幾何和其他數學等高級主題。熟悉概率圖形模型，何時使用它們以及如何解釋它們的結果。 * **等級 4（_ 大師 _）**：隨心所欲。回饋社區。 這是一個很好的細分，科羅拉多為每個級別提供了特定的章節建議以及建議的頂點項目。 科羅拉多重新發布了這個路線圖作為[博客文章](http://www.tenleaves.com/paths/machine-learning-level-up)，稍作修改。他放棄了最后一級并更名為：_ 好奇 _，_ 新手 _，_ 學徒 _，_ 熟練工 _ 和 _ 大師 _ 。他還評論說，0 級好奇機器學習器不應該閱讀教科書，而是應該瀏覽和查看一些頂級機器學習視頻。 ## 機器學習中忽視的主題 [斯科特·洛克林](http://scottlocklin.wordpress.com/about/)也閱讀了這篇文章并受到啟發，撰寫了他自己的回復題為“ [_ 被忽視的機器學習思路 _](https://scottlocklin.wordpress.com/2014/07/22/neglected-machine-learning-ideas/) ”（與 [Boris Artzybasheff 的酷藝術](http://en.wikipedia.org/wiki/Boris_Artzybasheff)）。 斯科特評論說，這些建議表明了科羅拉多州的偏好，并沒有給出更全面的機器學習領域。斯科特還評論說很少有書可以很好地概述這個領域，盡管他確實喜歡這本書[機器學習：理解數據的算法的藝術和科學](http://www.amazon.com/dp/1107422221?tag=inspiredalgor-20)，因為它也觸及了一些不起眼的技術。 然后，斯科特繼續列出一些“在書中被忽視”的領域。總之，這些領域是： * **在線學習**：流媒體數據和大數據的關鍵，向 [Vowpal Wabbit](http://hunch.net/~vw/) 致敬。 * **強化學習**：在機器人技術的背景下進行了討論，但很少將其與常見的 ML 聯系起來。 * **“_ 壓縮 _”序列預測技術**：在發現學習模式時進行壓縮。致 [CompLearn](http://www.complearn.org/) 。 * **一般的時間序列導向技術** * **共形預測**：在線學習的模型準確性估計。 * **ML 存在大量噪聲**：NLP 和 CV 是一般情況示例。 * **特征工程**：對于成功的機器學習至關重要。 * **一般無監督和半監督學習** 這是一個很好的列表，指出一些確實沒有得到足夠或足夠關注的領域。 我會注意到我有自己的[路線圖，用于入門和掌握機器學習](http://machinelearningmastery.com/machine-learning-roadmap-your-self-study-guide-to-machine-learning/ "Machine Learning Roadmap: Your Self-Study Guide to Machine Learning")。像科羅拉多州一樣，我的路線圖僅限于分類/回歸類型的監督機器學習，但建立在促進調查和采用任何和所有感興趣主題的過程中。而不是“_ 閱讀這些教科書 _”，而是“_ 遵循這些過程 _”的方法。