<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
                # 哲學畢業生到機器學習從業者(Brian Thomas 采訪) > 原文: [https://machinelearningmastery.com/philosophy-graduate-to-machine-learning-practitioner/](https://machinelearningmastery.com/philosophy-graduate-to-machine-learning-practitioner/) 機器學習入門可能令人沮喪。有太多東西值得學習,感覺壓倒一切。 因此,許多對機器學習感興趣的開發人員從未開始。在 ad hoc 數據集上創建模型并進入 Kaggle 競賽的想法聽起來令人興奮。 哲學碩士畢業生是如何開始機器學習的? 在這篇文章中,我采訪了 Brian Thomas。 Brian 在使用理論沉重的在線課程感到沮喪后,采用自上而下的實踐應用機器學習的方法開始了機器學習。 發現 Brian 的故事以及他使用的工具和資源。 如果 Brian 能找到開始機器學習的方法,那么你也可以。 ![Philosophy Graduate to Machine Learning Practitioner](img/b0dd8eb1b94dfc0bbad7d0544c4f7174.jpg) 哲學畢業于機器學習從業者 攝影: [Andrew E. Larsen](https://www.flickr.com/photos/papalars/422462932/) ,保留一些權利。 ## 問:您已經嘗試過哪些資源來了解機器學習? 什么有效: 您的 [Jump-Start Scikit-Learn](http://machinelearningmastery.com/jump-start-scikit-learn/) 和 R 中的 Jump-Start 機器學習在早期作為 ML 領域的地圖非常有價值,使用這兩個工具進入并開始使用不同的機器學習模型。我喜歡將所有不同的算法分解并按照地圖進行布局,這些地圖組織了我付出訪問的努力。 從那里我繼續使用 R 進行 Brett Lantz 的[機器學習,我發現它特別好。](http://www.amazon.com/dp/1782162143?tag=inspiredalgor-20) 目前我正在通過 Stephen Marsland 的[機器學習:算法視角](http://www.amazon.com/dp/1466583282?tag=inspiredalgor-20)工作。這是非常好的,我發現它比我大約一年前第一次拿起它時更容易通過。 [![Amazon Image](img/bbd25613cb12b55b69497c7479119553.jpg)](http://www.amazon.com/dp/1466583282?tag=inspiredalgor-20) 總的來說,看起來效果最好的是進入那里并開始使用不同的數據集和不同的模型。我不得不說特別是 scikit-learn 確實幫助我解決了這個話題。我還要向 IPython 傾訴,呃,我應該說 Jupyter 筆記本。對我來說,能夠加載一些數據,從 scikit-learn 中嘗試不同的模型,然后添加一些用我自己的話來解釋模型和結果的降價單元格是非常有益的。 最近我也經歷了一些在線機器學習教程,特別是 [Jake VanderPlas](http://www.astro.washington.edu/users/vanderplas/) 和 [Olivier Grisel](http://ogrisel.com/) 關于 scikit-learn 的教程。能夠克隆他們的 git repos 并使用代碼和他們的演示文稿也是最有啟發性的。 * [Jake VanderPlas 關于 Scikit-Learn](https://github.com/jakevdp/sklearn_tutorial) 的 IPython 筆記本 * [Oliver Grisel 關于 Scikit-Learn](https://github.com/ogrisel/notebooks) 的 IPython 筆記本 什么行不通: 幾乎是我試圖通過的 2 或 3 個在線課程,包括 [Andrew Ng 的 CS229 ML 課程](http://cs229.stanford.edu/)和 [Nando de Freitas 來自 UBC](http://www.cs.ubc.ca/~nando/540-2013/) 的在線 ML 課程。 并不是說它們是壞的或者其他什么,我只是沒有找到嘗試坐下來觀看關于隨機梯度下降的 50 分鐘的講座非常有幫助,特別是沒有數學背景。我開始更好地理解 SGD 將 Marsland 在他的 ML 書中提供的代碼粘貼到 Jupyter 筆記本中并玩弄它。 當然我沒有正式報名參加這些課程或其他什么,我只是下載了所有的講座,筆記和作業,并試圖通過他們的方式工作。最后它似乎在理論上陷入困境。我認為這說明了很多這個問題:人們在沒有很多數學背景的情況下(例如我自己)進入這個問題并看到所有這些數學理論而逃避尖叫。 首先是代碼,然后讓理論上的理解發展。這似乎是正確的方法,我知道[你肯定同情](http://machinelearningmastery.com/machine-learning-for-programmers/)。 ## 問:你能分享一下你的背景和工作嗎? 我于 1995 年畢業于大學,獲得哲學學士學位。 令人驚訝的是,我無意中打開了進入 IT 就業市場的大門,因為我在這個地方進行了一次行政工作,我正在那里從事合同工作。從那份工作開始,我最終學到了很多關于數據庫和編程的知識。 來自哲學的背景,我總是能夠把事情分解成他們的組成部分,看看他們如何互相玩耍(這可能解釋了我相當不錯的解決問題的能力)。然而,來自那個背景,我的數學技能是不存在的!我在高中時代的第二年代數停止了,從來沒有超越過那個。 在過去的 7 年里,我一直在一家大型保險公司戴著許多不同的帽子,我的日常職責包括服務器和軟件測試管理,其中包括開發大量的 PowerShell(現在是 Python)應用程序以協助實現這一目標。 ## 問:您玩過的算法和數據集的具體示例是什么? 我真正開始研究的第一本 ML 書是 Brett Lantz 的[機器學習與 R](http://www.amazon.com/dp/1782162143?tag=inspiredalgor-20) ,我瀏覽了那里的所有數據集和算法以及諸如 Iris 數據集的“經典命中”。對于初學者恕我直言,這是一本好書。 與此同時,我通過 Lantz 的書,我也在教自己 Python(通過 Charles Dierbach 的[計算機科學導論使用 Python:計算問題 - 解決焦點](http://www.amazon.com/dp/0470555157?tag=inspiredalgor-20)等書籍,專注于 Python 編程) se,而不是 ML)。 在 Lantz 書之后不久,我發現自己在日常生活中越來越傾向于 Python。我使用的唯一的 Python 機器學習書是 Stephen Marsland 的[機器學習:算法視角](http://www.amazon.com/dp/1466583282?tag=inspiredalgor-20)。 最近我還玩了[泰坦尼克號數據集](https://www.kaggle.com/c/titanic)并練習清理數據,選擇合適的功能,然后嘗試了各種各樣的算法,例如 Na?veBayes,k-nearest neighbor, AdaBoost 和隨機森林分類器。 我也開始探索使用 GPU 的 Python 軟件包(我最近購買了一臺帶有 NVIDIA GeForce 950M GPU 的[華碩筆記本電腦,并在其上運行了一個很好的](http://amzn.to/1iFqXXj) [CUDA](http://www.nvidia.com/object/cuda_home_new.html) 環境),特別是 Theano。 ## 問:我注意到你已經嘗試過 Python 和 R 用于機器學習,你對這兩者有什么印象? 實際上我用[而不是 Python]深入研究 _DOING_ 機器學習,所以這可能會使我對這兩者的觀點產生偏差。 然而,它 _DID_ 似乎學習機器學習 R 更簡單。 > 這是 Lantz 的書嗎? > > 是因為 R 是一種統計編程語言,因此在編碼時你必須正確使用各種數學概念嗎? 我絕對認為后者可能與這種印象有關。 然而,現在,我在 Python 領域非常堅定,主要是因為 [pandas](http://machinelearningmastery.com/quick-and-dirty-data-analysis-with-pandas/) 和 [Theano](http://deeplearning.net/software/theano/) (我此時的兩個最愛)等軟件包。我特別感興趣,并一直在玩 Theano。 我喜歡你可以聲明變量,它們的類型,然后構建表達式,然后用這些可以自動編譯以供 GPU 使用的函數。 那太酷了! ## 問:您在深入機器學習方面的目標或抱負是什么? 回到我自己的哲學背景,哲學的好奇心是讓我進入它的原因。 > 機... .learn?怎么樣?!? 你不得不承認,這個領域的整個歷史和實踐都是令人著迷的,觸及了各種最終具有哲學性質的問題。此外,隨著深度學習等近期發展,整個領域變得越來越有趣。 與深度學習相關的是隨著大規模并行 GPU 編程的出現而發生的范式轉換。 似乎沒有這個,深度學習的最新進展是不可能發生的,告訴 Theano 利用我的 GPU 然后通過深度學習教程算法和 LISA 實驗室[上的](http://deeplearning.net/tutorial/) [MNIST](http://yann.lecun.com/exdb/mnist/) 數據流失是很酷的。 ]深度學習網站。 ## 最后的話 感謝 Brian 分享他的故事和經歷。 Brian 已經開始了,他已經掌握了解決 R 和 Python 問題的技能,現在正在開展更復雜的深度學習主題。 即使仍然接近開始,他的機器學習之旅也是一個良好的開端。他實際上可以練習應用機器學習。 我認為如果你想開始機器學習,Brian 的故事會鼓舞人心。 你在等什么?
                  <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