# 找到你的機器學習部落 > 原文： [https://machinelearningmastery.com/machine-learning-tribe/](https://machinelearningmastery.com/machine-learning-tribe/) ### _ 入門并避免得到錯誤的建議 _ 機器學習是一個充滿算法和數據的迷人而強大的研究領域。 問題是，有很多不同類型的人對機器學習感興趣，每個人都有不同的需求。重要的是要了解您希望從機器學習中獲得什么，并根據這些需求定制自學。 如果你不這樣做，你可以很容易地走下兔子洞而迷路，失去興趣而不能得到你想要的東西。 ### 找到你的部落！ 在這篇文章中，您將發現對機器學習感興趣的 10 個主要群體。我叫他們**機器學習部落**。 您將發現每個部落最有價值的一般需求和資源類型。 重要的是，你可以回顧 10 個部落并發現你的位置，找到像你這樣的其他人的安慰，并了解你的下一步可能是什么。 你在哪里適合？發表評論并告訴我。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2015/08/Find-Your-Machine-Learning-Tribe.jpg) 找到你的機器學習部落 [照片](https://www.flickr.com/photos/130625175@N03/17466998874)，保留一些權利。 ## 避免部落不匹配，這很常見 你對機器學習感興趣。你四處詢問，建議使用特定的課程或書籍。 幾個小時后，你會感到沮喪，但你不確定為什么。 這件事發生在你身上嗎？ 這是因為你選擇的資源非常好，它可能不適合你的特定環境。 這是一個常見問題，我稱之為不匹配問題。 ### 開發人員和教科書的經典示例 一個典型的例子是有興趣解決一次性問題的開發人員。他們被推薦為機器學習教科書。 他們購買它，開始閱讀，永遠不會超過第一章。 對于剛畢業 4 年數學課程的研究生機器學習班的學生來說，教科書是完美的。 對于開發人員而言，它幾乎沒用，他們在職業生涯的 10 年里將機器學習視為提供結果的工具。 這就是了解對機器學習感興趣的不同群體以及您所屬的群體至關重要的原因。這樣您就可以找到像您這樣的其他人，并開始使用實際上可以幫助您獲得所需解決方案的資源。 ## 10 機器學習部落 在本節中，我們列出了 10 個對機器學習感興趣的不同人群。 我給出了每個名字，突出了他們的主要目標和興趣，并列出了該組中的人員可以在接下來的步驟中使用的資源。我還根據商業，學術，工程和數據等一般主題對小組進行了分組。 這些組可能有一些重疊。您也可能屬于其中一個或多個。那很好（我很樂意在評論中聽到它）。 此外，我們正在限制我們對機器學習的興趣，而不是所有更廣泛的數據科學。 讓我們潛入。 ### 部落概述 這是 10 個部落的快照： * **商業部落** * 1）具有一般興趣的商業人士 * 2）經理對交付項目感興趣 * **學術部落** * 3）本科或研究生班的機器學習學生 * 4）機器學習研究員對影響領域感興趣 * 5）普通研究員對他們的問題建模感興趣 * **工程部落** * 6）程序員對實現算法感興趣 * 7）開發人員有興趣提供一次性預測 * 8）工程師對開發更智能的軟件和服務感興趣 * **數據部落** * 9）數據科學家對獲得更好的業務問題答案感興趣 * 10）數據分析師對更好地解釋數據感興趣  機器學習部落的思維導圖 ### 商業部落 通常，這些人對組織中有效利用機器學習感興趣，但不一定對算法或工具的細節感興趣。 商務人士可能會使用 _ 商業智能 _ 或 _ 預測分析 _ 等術語，這兩個術語都是可以利用機器學習技術的更通用的領域。 #### 1）具有一般興趣的商業人士 這可能是任何人從一位高管到一位聽說過機器學習的顧問，并且正在尋求戰略性地利用它，也許是在即將開展的項目或計劃中。 這不是我的領域，但是一些可能對更多戰略思考有用的資源包括： * Gartner 的[高級分析平臺魔力象限](http://www.gartner.com/technology/reprints.do?id=1-2AHPOU0&ct=150225&st=sb)，2015 年 * Gartner 的[機器學習推動了數字業務](https://www.gartner.com/doc/2820120/machine-learning-drives-digital-business)，2014 年 * 麥肯錫的[機器學習高管指南](http://www.mckinsey.com/insights/high_tech_telecoms_internet/an_executives_guide_to_machine_learning)，2015 我還會在下一節中為“_ 經理 _”推薦這些書。  Gartner 高級分析平臺的魔力象限來自 [Gartner](http://www.gartner.com/technology/reprints.do?id=1-2AHPOU0&ct=150225&st=sb) ，保留所有權利。 #### 2）經理對交付項目感興趣 這是一個項目經理或類似的領導職位，正在使用機器學習的項目。它可能是項目的核心特征或項目的核心。 有用的資源將是關于該領域的高級視角，其涉及各種類型的問題和算法，而不會涉及太多細節。 查看以下書籍： * [預測分析：預測誰將點擊，購買，謊言或死亡的能力](http://www.amazon.com/dp/1118356853?tag=inspiredalgor-20) * [商業數據科學：您需要了解的數據挖掘和數據分析思考](http://www.amazon.com/dp/1449361323?tag=inspiredalgor-20) * [Data Smart：利用數據科學將信息轉化為洞察力](http://www.amazon.com/dp/111866146X?tag=inspiredalgor-20) [](http://www.amazon.com/dp/1118356853?tag=inspiredalgor-20) ### 學術部落 一般來說，這些人是從學術角度對機器學習感興趣的人。他們可能是學生（本科生或研究生）或與大學有關的其他人。 其他的例子是博士后，研究員和各種講座。 學術部落可能會花費大量時間研究研究論文中的特定機器學習算法。您可以在“[如何研究機器學習算法](http://machinelearningmastery.com/how-to-research-a-machine-learning-algorithm/)”中了解有關研究算法的更多信息。 #### 3）本科或研究生班的機器學習學生 機器學習的學生很可能上課并且對與技術和算法相關的超特定問題感興趣。 學生具有專注的結構和深入研究材料的時間。他們最好配有教科書。一些最好的機器學習教科書如下： * [從數據中學習](http://www.amazon.com/dp/B00C7EXC2A?tag=inspiredalgor-20) * [機器學習：概率視角](http://www.amazon.com/dp/0262018020?tag=inspiredalgor-20) * [模式識別與機器學習](http://www.amazon.com/dp/0387310738?tag=inspiredalgor-20) * [統計學習要素：數據挖掘。推理。和預測](http://www.amazon.com/dp/B00GSCXVN2?tag=inspiredalgor-20) #### 4）機器學習研究員對影響領域感興趣 機器學習研究人員有興趣深入了解機器學習的一個方面，以便為擴展該領域做出微小的補充。 研究人員對研究論文，期刊以及與之相關的組織和網絡感興趣。 教科書沒有削減它，它們是次要來源并且已經過時了。 一些備受矚目的機器學習期刊和會議記錄是： * [機器學習研究期刊](http://www.jmlr.org/)（JMLR） * [神經信息處理系統](https://nips.cc/)（NIPS） * [知識發現和數據挖掘](http://www.kdd.org/)（SIGKDD） * [機器學習國際會議](https://en.wikipedia.org/wiki/International_Conference_on_Machine_Learning)（ICML） 查看 Quora 問題的最佳答案“[關于機器學習的最佳會議和期刊是什么？](https://www.quora.com/What-are-the-best-conferences-and-journals-about-machine-learning) “。 這是人工智能中排名前 50 位的期刊[的便捷列表。](http://www.scimagojr.com/journalrank.php?category=1702) #### 5）普通研究員對他們的問題建模感興趣 一般研究人員可能對機器學習感興趣，但作為一種工具。他們很可能對使用自己的數據構建描述性或預測性模型感興趣。 例如，來自客戶研究，地質學或生物學領域的科學家擁有自己的數據集，并且正在尋求創建模型以進行預測和/或更好地理解潛在問題。 他們通常對模型準確性不太感興趣，對模型可解釋性更感興趣。因此，從統計學中借鑒的更簡單易懂的方法是優選的，例如線性回歸和邏輯回歸。 然而，需要良好的系統過程。 我會推薦“_ 工程部落 _”下的資源，特別是“_ 開發人員有興趣提供一次性預測 _”。另請參閱“_ 數據部落 _”下的“_ 數據科學家 _”小組。 ### 工程部落 通常，一組開發人員習慣于為軟件問題提供解決方案并希望結合機器學習。 對于希望進入機器學習的工程師，我推薦的一個好的通用帖子是“[程序員機器學習](http://machinelearningmastery.com/machine-learning-for-programmers/)”。 工程師部落可以在機器學習社區獲得大量幫助和支持，例如 Q＆amp; A 網站上的機器學習社區。有關更多信息，請查看帖子“[機器學習社區](http://machinelearningmastery.com/machine-learning-communities/)”。 #### 6）程序員對實現算法感興趣 程序員開發機器學習技能的一個好方法是使用他們現有的編程技能并從頭開始實現機器學習算法。 我在博客文章“[通過實施他們從頭開始](http://machinelearningmastery.com/understand-machine-learning-algorithms-by-implementing-them-from-scratch/)了解機器學習算法”中談論了這個方法，并提供了很好的技巧和資源。 我從博客文章中推薦的這種方法的三本書是： * [Scratch 數據科學：Python 的第一原理](http://www.amazon.com/dp/149190142X?tag=inspiredalgor-20) * [機器學習在行動](http://www.amazon.com/dp/1617290181?tag=inspiredalgor-20) * [機器學習：算法視角](http://www.amazon.com/dp/1466583282?tag=inspiredalgor-20) [](http://www.amazon.com/dp/1466583282?tag=inspiredalgor-20) #### 7）開發人員有興趣提供一次性預測 開發人員不一定是優秀的程序員，并且不需要編程來開發和提供準確可靠的預測模型。 在商業環境中可能需要一次性預測模型來獲得它可以提供的預測集。它也是一個強大的自我模型，用于練習數據集甚至機器學習競賽。 通過系統地處理問題并提供獨立模型，您可以學到很多東西。 * [數據挖掘：實用機器學習工具和技術](http://www.amazon.com/dp/0123748569?tag=inspiredalgor-20) * [應用預測建模](http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20) 在“[處理機器學習問題的過程](http://machinelearningmastery.com/process-for-working-through-machine-learning-problems/)”中查看我的系統過程，以便端到端地處理機器學習問題。 #### 8）工程師對開發更智能的軟件和服務感興趣 有興趣將機器學習添加到其軟件項目的工程師需要一些算法知識，如何端到端地解決問題的一些知識以及如何使算法在操作環境中可靠地運行的知識。 這一群人從前面描述的兩個群體中成長，最好被描述為機器學習工程師。他們希望使用能夠提供可靠和準確結果的快速算法，從而平衡這些問題。 該小組還大量使用機器學習庫和基礎設施。 關于快速啟動機器學習庫的一些有用資源包括： * [使用 Python 構建機器學習系統](http://www.amazon.com/dp/B00E7NC9D2?tag=inspiredalgor-20) * [學習 scikit-learn：Python 中的機器學習](http://www.amazon.com/dp/1783281936?tag=inspiredalgor-20) * [實用數據科學與 R](http://www.amazon.com/dp/1617291560?tag=inspiredalgor-20) * [R 機器學習](http://www.amazon.com/dp/1784393908?tag=inspiredalgor-20) [](http://www.amazon.com/dp/1784393908?tag=inspiredalgor-20) 另外，查看帖子“[構建生產機器學習基礎設施](http://machinelearningmastery.com/building-a-production-machine-learning-infrastructure/)”。 ### 數據部落 通常，這些人群主要處于數據角色，但可能需要利用機器學習。 #### 9）數據科學家對獲得更好的業務問題答案感興趣 當你是一名數據科學家時，學習并沒有停止。 您必須掌握最新的數據流，技術和算法。這包括描述數據和創建預測模型所需的機器學習技術。 數據科學家可以從“_ 工程部落 _”下列出的更多應用資源中獲取他們所需的資源，以及“_ 學術部落 _”下列出的更多理論資源。 然而，包含這種組合的一些以數據科學為中心的機器學習資源是： * [應用預測建模](http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20) * [統計學習簡介：在 R](http://www.amazon.com/dp/1461471370?tag=inspiredalgor-20) 中的應用 * [黑客機器學習](http://www.amazon.com/dp/1449303714?tag=inspiredalgor-20) #### 10）數據分析師對更好地解釋數據感興趣 數據分析師主要關注在商業利益背景下解釋數據。有時機器學習算法對于提供更強大的模型很有用。主要是描述性模型，但有時也是預測性的。 與“_ 一般研究員 _”一樣，該小組可能在統計和統計推斷方面具有良好的基礎。此外，鑒于他們最有可能對描述性模型感興趣，經典方法如線性和邏輯回歸可能就足夠了。在結果模型中對準確性的可解釋性。 上面的許多相同資源都是有用的，盡管可能有更多的統計推斷立場。 ## 行動步驟 在這篇文章中，您發現了 10 個對機器學習感興趣的不同人群。 這是一個方便的思維導圖，總結了 10 個部落：  Mind Map of Machine Learning Tribes 您的操作步驟是查看列表并找出您所屬的位置。 **你的部落是哪一組？** 在下面發表評論讓我知道。