<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
                # 缺乏自學機器學習的路線圖 > 原文: [https://machinelearningmastery.com/machine-learning-roadmap-your-self-study-guide-to-machine-learning/](https://machinelearningmastery.com/machine-learning-roadmap-your-self-study-guide-to-machine-learning/) 在這篇文章中,我列出了一個應用機器學習的具體自學路線圖,您可以用它來定位自己并找出下一步。 我認為很多關于框架和系統方法(在我的博客上證明)。我認為這篇文章大量擴展了我之前關于“[機器學習自學指南](http://machinelearningmastery.com/self-study-guide-to-machine-learning/)”中自學課程的想法,這真的在社區引起了共鳴。 讓我們跳進去...... [![you are here](img/e7d318f64d740c00783b3d6cba6a57c9.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/you-are-here.jpg) 你在這里。 攝影: [electricnerve](http://www.flickr.com/photos/electricnerve/2586195099/sizes/o/) ,保留一些權利 ## 機器學習路線圖 機器學習是一個巨大的研究領域。有許多算法,理論,技術和問題類需要學習,它確實讓人感到壓倒一切。 機器學習也是跨學科的。你可以從投入的材料跳到程序員,投入到統計學家那里,當假設有如此多的先驗知識時,它確實感到沮喪。 我們需要的是一種結構化方法,它提供了一個路線圖,用于研究機器學習中的主題和詳細程度,還集成了書籍和開放課程等流行資源。 結構化方法通過將注意力集中在您需要學習它時需要學習的內容來解決壓倒性問題。它通過對材料展示進行排序來解決挫敗感,重點放在實際方面,為工程師和程序員量身定制。 路線圖可讓您根據自己的位置和目標而定位自己。 ## 自學是道路 自學是指按照自己的進度,按照自己的條件和自己的時間表。 自學是學習機器學習的最佳方式。這并不意味著你必須自己完成所有這一切,遠非它。這意味著學習東西是最有效的方式,并利用互聯網上最好的課程,書籍和指南。 自學也與本科和研究生學習等更正規的課程兼容。這意味著積極地將材料整合到您自己的知識庫中并擁有該過程。擁有這個過程,您可以深入了解您最感興趣的領域。 機器學習是一門應用學科,就像編程一樣。研究這個理論很重要,但你必須投入時間來應用這個理論。你必須練習。這很關鍵。您需要建立流程,算法和問題的直覺。 [![self study](img/76a7235e541c96c0d25631fd96b2e9c1.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/self-study.jpg) 自學是路徑 照 [scui3asteveo](http://www.flickr.com/photos/scubasteveo/296747958/sizes/l) ,保留一些權利 ## 能力水平 研究機器學習的結構化方法分為四個級別的能力: 1. 初學者 2. 初學者 3. 中間 4. 高級 這四個級別是根據他們面臨的問題和他們的學習目標來劃定的。反過來,每個級別都有不同的活動,以實現其目標。 ## 每個級別的問題 每個能力水平面臨一系列不同的問題,如下: * **初學者**:對實際的機器學習感到困惑。對大量可用信息感到不知所措。對大多數可用信息中未指明的先前知識感到沮喪。 * **新手**:被算法的數學描述嚇到了。苦苦掙扎應用機器學習來解決問題。丟失尋找機器學習調查的問題。 * **中級**:厭倦了介紹性材料。渴望更多細節和更深入的洞察力。渴望展示和推動他們的知識和技能。 * **高級**:癡迷于從系統和解決方案中獲取最大收益。尋求更大貢獻的機會。靈感來推動界限。 ## 學習目標 能力等級中的每個級別都有一個單一的目標,他們可以為實現這一目標而完成許多任務。這些目標如下: * **初學者**:建立一個明確的基礎并開始進入該領域。 * **新手**:開發和實踐應用機器學習的過程。 * **中級**:深入理解算法,問題和工具。 * **Advanced** :開發領域的擴展,例如算法,問題和工具。 ## 自學活動 每個級別的目標都定義了為實現這些目標而開展的活動類型。您可以設計自己的活動(強烈建議您),盡管以下是每個級別的建議活動。 ### 初學者 * 發現機器學習的“原因”(即為什么[機器學習很重要](http://machinelearningmastery.com/machine-learning-matters/ "Machine Learning Matters")和[為什么它對你很重要](http://machinelearningmastery.com/why-get-into-machine-learning/ "Why Get Into Machine Learning? Discover Your Personal Why and Use our Handy Map"))。 * 找出你可能阻礙你的自我限制信念(即[沒有學位](http://machinelearningmastery.com/what-if-i-dont-have-a-degree/ "What if I Don’t Have a Degree"),[不擅長數學](http://machinelearningmastery.com/what-if-im-not-good-at-mathematics/ "What if I’m Not Good at Mathematics"))。 * 研究該領域的基本定義和概念(即[機器學習問題](http://machinelearningmastery.com/practical-machine-learning-problems/ "Practical Machine Learning Problems"),[和算法](http://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/ "A Tour of Machine Learning Algorithms"))。 ### 初學者 * [研究并學習應用機器學習過程中的步驟](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/ "5-Part Process for working through Machine Learning Problems")。 * 充分了解工具或庫的詳細信息,以完成應用機器學習的步驟。 (基本熟悉工具和庫) * [實踐應用機器學習端到端問題的過程](http://machinelearningmastery.com/4-steps-to-get-started-in-machine-learning/ "4-Steps to Get Started in Machine Learning: The Top-Down Strategy for Beginners to Start and Practice")。 ### 中間 * [對算法,問題和工具進行小規模調查](http://machinelearningmastery.com/self-study-machine-learning-projects/ "4 Self-Study Machine Learning Projects")。 * 通過參與競爭機器學習并從中學習,提高應用機器學習的技能。 ### 高級 * 以結構化方式開發算法,問題和工具的擴展。 * 參與并為社區做出貢獻。 ## 如何使用 此路線圖是一個有用的工具,您可以通過各種方式在機器學習掌握的道路上使用: * **學習指南**:將其用作目標和活動的線性指南,供您完成。耐心和努力工作將使您在短期內達到先進水平。 * **簡化指南**:用作上述線性指南,但將目標縮小到您希望掌握的機器學習的特定區域,而不是應用機器學習的更廣泛領域。這可能是一個特定的問題或一類算法。 * **信息過濾器**:路線圖可用于過濾您遇到的信息和資源。這是一個功能強大的用例,因為您可以快速評估博客文章,文章或書籍是否與您的旅程級別相關。 ## 這條路徑適合你! 我為其他工程師和程序員設計了這本指南。 * 你可能知道如何編程。 * 您可以作為工程師或程序員專業工作(或曾經工作過)。 * 您可能是本科生或研究生。 * 您對機器學習或數據科學感興趣。 * 您可能正在使用機器學習和數據。 [![machine learning is a journey](img/93427d4c2dd7f0e37a5c658a069df780.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/06/machine-learning-is-a-journey.jpg) 機器學習是一個旅程 照片由 [GoodNCrazy](http://www.flickr.com/photos/goodncrazy/3794282940/sizes/l) ,保留一些權利 這種方法適用于已經熟悉開發和構建系統過程的程序員和工程師。他們有一種計算或邏輯方法來思考和思考系統。程序員尤其熟悉自動化的強大功能以及算法的復雜性和特性。 這種方法對于專業程序員以及學習工程,計算機科學或類似學科的學生都是有效的。 * **你不需要成為程序員或優秀的程序員**。您可以使用 Weka 等現成的工具,這些工具具有圖形用戶界面,可以解決機器學習問題并應用機器學習算法。 * **你不需要成為數學家或統計學家**。在研究該算法時,您只能獲取給定算法所需的統計數據,概率和線性代數。 * **你可以閱讀指南,書籍和開放課程**。它們很容易融入到四個能力水平的細分中。給定的書可能是新手或中級的完美參考,或者可能跨越兩個級別。類似地,課程可以整齊地適合于給定的水平,或者可以跨越兩個或更多個級別,給出各種機器學習活動的樣本。 ## 范圍 我建議您將范圍集中在分類和回歸類型問題以及相關的算法和工具上。這些是兩個最常見的潛在機器學習問題,大多數其他問題可以減少到。 有機器學習的子領域,如計算機視覺,自然語言過程,推薦系統或強化學習。這些區域可以簡化為分類和回歸問題,并且它們的研究完全符合所呈現的路線圖結構。我建議你不要潛入這些領域,直到你處于中級水平。 ## 原則 我有一些實用的原則可以幫助您在機器學習中實現快速有效的進步。他們確實構成了路線圖。 * **機器學習是一個旅程**。你需要知道你現在的位置以及你想去的地方。這需要時間和努力,但有很多幫助。 * **創建半正式的工作產品**。以博客文章,技術報告和代碼存儲庫的形式記下您學習和發現的內容。您將很快積累一系列經過驗證的技能和知識,供您和其他人反思。 * **及時學習**。在您需要之前,不要學習復雜的主題。例如,學習足夠的概率或線性代數來理解你正在研究的算法,在開始機器學習之前不要參加 3 年的統計和數學課程。 * **利用現有技能**。如果你可以編碼,實現算法來理解它們而不是研究數學。使用您認識的語言。專注于您正在學習的一件事,不要通過同時學習新的語言,工具或庫來使其復雜化。 * **掌握是理想的**。掌握機器學習需要不斷學習。你永遠無法實現它,你只能繼續學習,學習和提高。 ## 提示 以下是有效充分利用本指南和機器學習之旅的 3 個技巧: * 從一個小項目開始,您可以在一小時內完成。 * 旨在每周完成一個項目,以建立和維持您的動力和可以構建的項目工作區。 * 在您的博客,Facebook,Google +,Github 或您可以在任何地方分享您的結果,以展示您的興趣,增加技能,知識并獲得反饋。 ## 行動步驟 花一點時間寫下來: * 你認為自己處于什么水平,你正在努力解決什么問題? * 你想達到什么水平,你想做什么?
                  <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