<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>

                ThinkChat2.0新版上線,更智能更精彩,支持會話、畫圖、視頻、閱讀、搜索等,送10W Token,即刻開啟你的AI之旅 廣告
                # 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。 ![Machine Learning for Programmers - Gap in Bottom Up](img/bde9d62e07471463b18a651591ec25c6.jpg) 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)。 ![Machine Learning for Programmers - A Better Approach](img/3cf413c8473531f22e5e8c6fc486f4a7.jpg) 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。 ![Machine Learning for Programmers - Limiting Beliefs2](img/810e529baae63a22dbe63ed5f4d355ff.jpg) 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: ![Machine Learning for Programmers - Select a Systematic Process](img/013ddf5e4f3158bbd6eaf42bc199a76d.jpg) 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。_
                  <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