# 機器學習掌握方法 > 原文： [https://machinelearningmastery.com/machine-learning-mastery-method/](https://machinelearningmastery.com/machine-learning-mastery-method/) ### 5 個步驟開始并擅長機器學習 我教授一個 5 步驟的過程，您可以使用它來開始應用機器學習。 這是非常規的。 教授機器學習的傳統方式是自下而上。 從理論和數學開始，然后算法實現，然后發送給您，找出如何開始解決實際問題。  開始進行機器學習的傳統方法在從業者的道路上存在差距。 機器學習掌握方法翻轉了這一點，并從最有價值的結果開始。 **它針對企業想要支付的結果：** **如何交付結果。** 結果是一組可以可靠地進行預測的預測或模型。 **這是一種自上而下的結果優先方法。** 從實現市場中最理想的結果的目標開始，將您，實踐者帶到該結果的最短途徑是什么？ 我們可以通過以下 5 個步驟總結這條路徑： * **第 1 步：調整心態**（_ 相信！_）。 * **第 2 步：選擇一個過程**（如何獲得結果）。 * **第 3 步：選擇工具**（實施）。 * **第 4 步：實踐數據集**（_ 投入工作 _）。 * **第 5 步：建立投資組合**（_ 展示你的技能 _）。 而已。 這是[所有電子書訓練背后的哲學](http://machinelearningmastery.com/products/)。 這就是我創建這個網站的原因。我知道一種更簡單的方法，只需分享它。 下面是一個動畫片來說明這個過程，為簡潔起見，省略了第 1 步（在思維模式上）和第 2 步（在展示你的工作上）。  學習機器學習的更好方法，從端到端的工作機器學習問題開始。 讓我們仔細看看每一步。 ## 第 0 步：地標 在我們開始之前，您必須了解機器學習的標志。 我經常假設這一點，但除非你知道一些真正的基礎知識，否則你無法繼續。 例如： * 您應該知道機器學習是什么，并能夠向同事解釋。 * [什么是機器學習？](http://machinelearningmastery.com/what-is-machine-learning/) * 你應該知道一些機器學習問題的例子 * [實用機器學習問題](http://machinelearningmastery.com/practical-machine-learning-problems/) * 您應該知道機器學習是解決一些復雜問題的唯一方法。 * [機器學習事項](http://machinelearningmastery.com/machine-learning-matters/) * 您應該知道預測建模是應用機器學習中最有用的部分。 * [預測建模的溫和介紹](http://machinelearningmastery.com/gentle-introduction-to-predictive-modeling/) * 您應該知道機器學習在人工智能和數據科學方面的適用范圍 * [機器學習適合哪里？](http://machinelearningmastery.com/where-does-machine-learning-fit-in/) * 您應該知道可用的機器學習算法的類型。 * [機器學習算法之旅](http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/) * 您應該了解一些基本的機器學習術語 * [如何談論機器學習中的數據](http://machinelearningmastery.com/data-terminology-in-machine-learning/) ## 第 1 步：心態 機器學習不僅適用于教授。 它不僅適用于天才或學者。 ### 你必須相信 您可以學習該主題并將其應用于解決問題。 沒有理由不這樣做。 * 您不需要編寫代碼。 * 你不需要知道或擅長數學。 * 你不需要更高的學位。 * 您不需要大數據。 * 您不需要訪問超級計算機。 * 你不需要很多時間。  很容易找到借口不開始機器學習。 真的，只有一件事可以阻止你開始并擅長機器學習。 是你。 * 也許你只是找不到動力。 * 也許你認為你必須從頭開始實現一切。 * 也許你繼續選擇高級問題而不是初學者問題。 * 也許您沒有系統化的流程來提供結果。 * 也許你沒有使用好的工具和庫。 明確阻止您入門的限制性信念。 這篇文章可能有所幫助 * [什么阻礙了你的機器學習目標？](http://machinelearningmastery.com/what-is-holding-you-back-from-your-machine-learning-goals/) 你可以遇到很多減速帶。 識別它們，解決它們并繼續前進。 ### 機器學習為什么？ 一旦你知道你可以做機器學習，就明白為什么。 * 也許您有興趣了解有關機器學習算法的更多信息。 * 也許你對創建預測感興趣。 * 也許你對解決復雜問題很感興趣。 * 也許你對創建更智能的軟件感興趣。 * 也許你甚至有興趣成為一名數據科學家。 仔細思考這個話題并試著找出你的“_ 為什么 _”。 This post might help: * [為什么要進入機器學習？](http://machinelearningmastery.com/why-get-into-machine-learning/) 一旦你有了“_ 為什么 _”，找到你的部落。 哪一組機器學習從業者你最親密？ * 也許你是一個普遍感興趣的商人。 * 也許你是一個提供項目的經理。 * 也許你是一個機器學習的學生。 * 也許你是一名機器學習研究員。 * 也許你是一個有棘手問題的研究員。 * 也許你想實現算法 * 也許你需要一次性的預測。 * 也許您需要一個可以部署的模型。 * 也許你是一名數據科學家。 * 也許你是一名數據分析師。 每個部落都有不同的興趣，并將從不同的方向接近機器學習領域。 并非所有書籍和材料都適合您，找到您的部落，然后找到與您說話的材料。 This post might help: * [找到你的機器學習部落](http://machinelearningmastery.com/machine-learning-tribe/) ## 第 2 步：選擇一個流程 您是否希望在出現問題后可靠地獲得高于平均水平的結果？ 你需要遵循一個系統的過程。 * 流程允許您利用和重用最佳實踐。 * 這意味著你不必依賴記憶或直覺。 * 它引導您完成項目的端到端。 * 這意味著你總是知道下一步該做什么。 * 它可以根據您的特定問題類型和工具進行定制。 一個系統的過程就是過山車的好壞結果與高于平均水平的差異，另一方面是永遠改善的結果。 我會選擇高于平均值并且每次都會永遠改善結果。 我推薦的流程模板如下： * **第 1 步**：定義您的問題。 * **第 2 步**：準備數據。 * **第 3 步**：抽查算法。 * **第 4 步**：改善結果。 * **步驟 5** ：顯示結果。 下面是一個很好的漫畫，總結了這個系統的過程：  選擇一個系統且可重復的流程，您可以使用該流程始終如一地提供結果。 您可以在帖子中了解有關此過程的更多信息： * [應用機器學習過程](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/) 您不必使用此過程，但確實需要一個系統的過程來處理預測建模問題。 ## 第 3 步：選擇一個工具 選擇最佳工具，您可以使用它來提供機器學習結果。 將您的流程映射到該工具，并了解如何最有效地使用它。 我最推薦的工具有三種： * **Weka 機器學習工作臺**（_ 適合初學者 _）。 Weka 提供 GUI 界面，無需代碼。我用它來快速一次性建模問題。 * [Weka 機器學習迷你課程](http://machinelearningmastery.com/applied-machine-learning-weka-mini-course/) * **Python 生態系統**（_ 適用于中間體 _）。特別是大熊貓和 scikit-在 SciPy 平臺上學習。您可以在開發中使用相同的代碼和模型，它們足夠可靠，可以在運行中運行。 * [Python 機器學習迷你課程](http://machinelearningmastery.com/python-machine-learning-mini-course/) * **R 平臺**（_ 適用于高級 _）。 R 是為統計計算而設計的，雖然語言是神秘的，而且有些軟件包的文檔很少，但它提供了大多數方法以及最先進的技術。 * [R 機器學習迷你課程](http://machinelearningmastery.com/r-machine-learning-mini-course/) 我也有專業領域的建議： * **深度學習的 Keras** 。它使用 Python 意味著您可以利用整個 Python 生態系統，從而節省大量時間。界面非常干凈，同時也支持 Theano 和 Keras 后端的強大功能。 * [深度學習迷你課程](http://machinelearningmastery.com/applied-deep-learning-in-python-mini-course/) * **XGBoost 用于梯度增強**。它是該技術的最快實現。它還支持 R 和 Python，允許您在項目中利用任一平臺。 * [XGBoost 迷你課程](http://machinelearningmastery.com/xgboost-python-mini-course/) 這些只是我的個人建議，我有很多帖子，每個都有更詳細的訓練。 了解如何使用您選擇的工具。研究它。成為它的專家。 ### 什么編程語言？ 編程語言并不重要。 即使您使用的工具也無關緊要。 您通過問題學習的技能將輕松地從平臺轉移到平臺。 不過，這里有一些關于機器學習中最流行語言的調查結果： * [機器學習的最佳編程語言](http://machinelearningmastery.com/best-programming-language-for-machine-learning/) ## 第 4 步：實踐數據集 一旦有了流程和工具，就??需要練習。 你需要練習很多。 練習標準機器學習數據集。 * 使用從實際問題域（而不是人為）收集的真實數據集。 * 使用適合內存或 excel 電子表格的小型數據集。 * 使用易于理解的數據集，以便了解所期望的結果類型。 練習不同類型的數據集。練習讓您感到不舒服的問題，因為您必須提高技能才能獲得解決方案。在數據問題中尋找不同的特征，例如： * 不同類型的監督學習，如分類和回歸。 * 來自數十，數百，數千和數百萬個實例的不同大小的數據集。 * 來自少于十個，幾十個，幾百個和幾千個屬性的不同數量的屬性。 * 來自實數，整數，分類，序數和混合的不同屬性類型。 * 不同的域名會迫使您快速了解和描述您之前沒有經驗的新問題。 ### 使用 UCI 機器學習庫 這些是最常用和最易理解的數據集，也是最佳起點。 在帖子中了解更多信息： * [使用來自 UCI 機器學習庫的小型內存數據集練習機器學習](http://machinelearningmastery.com/practice-machine-learning-with-small-in-memory-datasets-from-the-uci-machine-learning-repository/) ### 使用機器學習比賽，例如 Kaggle 這些數據集通常較大，需要更多準備才能很好地建模。 有關您可以練習的最流行數據集的列表，請參閱帖子： * [真實世界機器學習問題之旅](http://machinelearningmastery.com/tour-of-real-world-machine-learning-problems/) ### 關于你自己設計問題的實踐 收集有關您重要的機器學習問題的數據。 你會發現問題和你設計的解決方案更有價值。 有關更多信息，請參閱帖子： * [研究對您來說很重要的機器學習問題](http://machinelearningmastery.com/work-on-machine-learning-problems-that-matter-to-you/) ## 第 5 步：構建投資組合 您將構建已完成項目的集合。 好好利用它們。 當您處理數據集并變得更好時，創建半正式輸出，總結您的發現。 * 也許上傳你的代碼并在自述文件中進行總結。 * 也許你在博文中寫下你的結果。 * 也許你制作一個幻燈片。 * 也許你在 youtube 上創建了一個小視頻。 這些已完成的項目中的每一個都代表了您不斷增長的投資組合 就像畫家一樣，您可以構建一系列已完成的作品，以展示您通過機器學習提供成果的不斷增長的技能。 您可以在帖子中了解有關此方法的更多信息： * [建立機器學習組合](http://machinelearningmastery.com/build-a-machine-learning-portfolio/) 您可以自己使用此產品組合，將先前結果中的代碼和知識用于更大，更雄心勃勃的項目。 一旦您的投資組合成熟，您甚至可以選擇將其用于更多的工作責任或新的機器學習重點角色。 有關詳細信息，請參閱帖子： * [獲得付費申請機器學習](http://machinelearningmastery.com/ladder-approach-to-becoming-a-machine-learning-consultant/) ## 技巧和竅門 以下是使用此過程時可能會考慮的一些實用技巧和竅門。 * 從一個簡單的過程開始（_ 如上 _）和一個簡單的工具（_ 如 Weka_ ），然后一旦你有信心就前進。 * 從最簡單和最常用的數據集開始（_ 鳶尾花 _ 和 _ 皮馬糖尿病 _）。 * 每次您應用此過程時，都要尋找改進它的方法和使用方法。 * 如果您發現新方法，請找出將它們集成到流程中的最佳方法。 * 研究算法，但只有盡可能多的方式可以幫助您在流程中獲得更好的結果。 * 學習并向專家學習，了解您可以竊取哪些方法并添加到您的流程中。 * 研究您的工具就像您做預測性建模問題并充分利用它。 * 處理更難和更難的問題，留下容易的問題，因為你不會從中學到很多東西。 * 專注于清晰呈現結果，您做得越好，您的投資組合的影響就越大。 * 在論壇和 Q＆amp; A 網站上參與社區，都可以提問和回答問題。 ## 摘要 在這篇文章中，您發現了一個簡單的 5 步驟過程，您可以使用它來開始并在應用的機器學習中取得進展。 盡管布局簡單，但這種方法確實需要付出艱苦的努力，但它確實會帶來回報。 我的許多學生都在完成這個過程，并成為機器學習工程師和數據科學家。 如果您正在深入了解此過程和相關想法，請參閱帖子： * [程序員機器學習](http://machinelearningmastery.com/machine-learning-for-programmers/) **你有什么問題嗎？** _ 在下面的評論中提問，我會盡力回答。_