# 5 程序員在機器學習中開始犯錯誤 > 原文： [https://machinelearningmastery.com/mistakes-programmers-make-when-starting-in-machine-learning/](https://machinelearningmastery.com/mistakes-programmers-make-when-starting-in-machine-learning/) 沒有正確的方法進入機器學習。我們都學習略有不同的方式，并且對我們想要做的事情或機器學習有不同的目標。 一個共同的目標是快速提高機器學習效率。如果這是你的目標那么這篇文章強調了程序員在快速成為高效機器學習從業者的道路上所犯的五個常見錯誤。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/01/Mistakes-Programmers-Make-when-Starting-in-Machine-Learning.jpg) 程序員在機器學習中開始犯錯誤 照片歸 [aarontait](http://www.flickr.com/photos/aarontait/3661306617/sizes/l/) 所有，保留一些權利。 ## 1.將機器學習放在基座上 機器學習[只是另一種技術](http://machinelearningmastery.com/applied-machine-learning-is-a-meritocracy/ "Applied Machine Learning is a Meritocracy")，您可以使用它來創建復雜問題的解決方案。 因為它是一個新興的領域，機器學習通常在研究生的學術出版物和教科書中傳達。這使它看起來精英而且難以穿透。 心理轉變需要在機器學習中有效，從技術到過程，從精確到“足夠好”，但對于程序員有興趣采用的其他復雜方法也是如此。 ## 2.編寫機器學習代碼 通過編寫代碼從機器學習開始可能會使事情變得困難，因為這意味著您至少解決了兩個問題而不是一個：技術如何工作以便您可以實現它以及如何將技術應用于給定問題。 一次處理一個問題并利用機器學習和統計環境以及算法庫來學習如何將技術應用于問題要容易得多。這使您可以相對快速地檢查和調整各種算法，并調整看起來很有希望的一兩個算法，而不是花費大量時間來解釋含有算法描述的含糊不清的研究論文。 實現算法可以被視為一個單獨的項目，以便稍后完成，例如學習練習或原型系統需要我投入運營。一次學習一件事，我推薦[從基于 GUI 的機器學習框架](http://machinelearningmastery.com/what-if-im-not-a-good-programmer/ "What if I’m Not a Good Programmer")開始，無論你是否是程序員。 ## 3.手動做事 一個過程圍繞應用的機器學習，包括問題定義，數據準備和結果的呈現，以及其他任務。這些過程以及算法的測試和調整可以而且應該是自動化的。 自動化是構建，測試和部署的現代軟件開發的重要組成部分。腳本數據準備，算法測試和調優以及結果的準備有很大的優勢，以獲得嚴格和改進速度的好處。記住并重用專業軟件開發中學到的經驗教訓。 無法從自動化開始（例如 Makefiles 或類似的構建系統）可能是由于許多程序員從書本和課程中學習機器學習而不太關注該領域的應用性質。實際上，為應用機器學習提供自動化是程序員的一個巨大機會。 ## 4.重塑常見問題的解決方案 成千上萬的人可能已經實現了您正在實施的算法，或者解決了與您正在解決的問題類似的問題類型，利用他們的經驗教訓。 有很多關于解決應用機器學習的知識。其中大部分內容可能與書籍和研究出版物有關，但您可以訪問它。做好功課，搜索谷歌，谷歌圖書，谷歌學術搜索，并聯系機器學習社區。 如果要實現算法： * 你必須實現它嗎？您可以在庫或工具中重用現有的開源算法實現嗎？ * 你必須從頭開始實施嗎？您可以編寫審查，學習或移植現有的開源實現嗎？ * 您是否必須解釋規范算法描述？您可以查看和學習其他書籍，論文，論文或博客文章中的算法描述嗎？ [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/01/Reinvent-Solutions-to-Common-Problems.jpg) 照片歸功于 [justgrimes](http://www.flickr.com/photos/notbrucelee/6884703709/sizes/l/) ，保留一些權利 如果您要解決問題： * 你必須測試所有關于問題的算法嗎？您是否可以利用相同通用類型的此類或類似問題實例進行研究，以提出表現良好的算法和算法類？ * 你需要收集自己的數據嗎？他們可以直接使用或作為問題代理的公開數據集或 API 是否可以快速了解哪些方法可能表現良好？ * 你必須優化算法的參數嗎？您可以使用啟發式算法來配置論文或算法研究中提供的算法嗎？ 如果您遇到編程庫或特定類型的數據結構問題，您的策略是什么？在機器學習領域使用相同的策略。聯系社區并詢問您可能利用的資源，以加快您的項目學習和進度。首先考慮論壇和 Q＆amp; A 網站，然后聯系學者和專家，作為下一步。 ## 5.忽略數學 你[不需要數學理論](http://machinelearningmastery.com/what-if-im-not-good-at-mathematics/ "What if I’m Not Good at Mathematics")來開始，但數學是機器學習的重要組成部分。這樣做的原因是它提供了描述問題和系統行為的最有效和最明確的方法。 忽略算法的數學處理可能導致諸如對方法的理解有限或采用算法的有限解釋之類的問題。例如，許多機器學習算法在其核心處具有逐步更新的優化。了解正在解決的優化的性質（函數是凸）允許您使用利用這些知識的有效優化算法。 內化算法的數學處理是緩慢的，并且掌握在掌握之中。特別是如果您從頭開始實施高級算法（包括內部優化算法），請花時間從數學角度學習算法。 ## 摘要 在這篇文章中，您了解了程序員在開始機器學習時所犯的 5 個常見錯誤。五節課是： * 不要把機器學習放在基座上 * 不要寫機器學習代碼 * 不要手動做事 * 不要重新解決常見問題的解決方案 * 不要忽視數學 **UPDATE** ：繼續 [HackerNews](https://news.ycombinator.com/item?id=7140090) 和 [DataTau](http://www.datatau.com/item?id=1410) 的對話。