機器學習入門的實用建議 · Machine Learning Mastery 博客文章翻譯

# 機器學習入門的實用建議 > 原文： [https://machinelearningmastery.com/practical-advice-for-getting-started-in-machine-learning/](https://machinelearningmastery.com/practical-advice-for-getting-started-in-machine-learning/) [David Mimno](http://mimno.infosci.cornell.edu/) 是康奈爾大學[信息科學](http://infosci.cornell.edu/)系的助理教授。他具有自然語言處理（NLP）的背景和興趣，特別是主題建模。值得注意的是，他是 [MALLET](http://mallet.cs.umass.edu/) 的主要維護者，這是一個基于 Java 的 NLP 庫。我最近發現大衛的一篇博文，題為“[為機器學習](http://mimno.infosci.cornell.edu/b/articles/ml-learn/)的學生提供建議”。這是一篇很棒的文章，包括我給程序員和輔導學生的類似建議。這是一篇很棒的帖子和很棒的建議，我在這篇博客文章中為您總結了這些內容。 ## 入門機器學習書籍大衛推薦一些非常高級的書籍作為介紹性文章。原因是他的學生都是研究生并且能夠應對挑戰。我自己不推薦這些文本。 [![Amazon Image](img/ebad9df2010f0c32b969914f526cf6d5.jpg)](http://www.amazon.com/dp/0262018020?tag=inspiredalgor-20) 不過，他建議的文字是： * [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) * [概率圖形模型：原理與技術](http://www.amazon.com/dp/0262013193?tag=inspiredalgor-20) * [信息理論，推理和學習算法](http://www.amazon.com/dp/0521642981?tag=inspiredalgor-20) 這些可能是現在可用的一些關于機器學習的最佳教科書的選擇。當你看到麻省理工學院，斯坦福大學，康奈爾大學和其他美國領先學校的研究生課程時，你會一次又一次地看到它們。 ## 數學入門書籍大衛評論說，你可以學到的關于線性代數，概率和統計學的任何東西都是有用的。 [![Amazon Image](img/212ea3751f88d21d2102c3a0dac6d576.jpg)](http://www.amazon.com/dp/0980232716?tag=inspiredalgor-20) 他接著建議了幾本關鍵書： * [線性代數簡介，第四版](http://www.amazon.com/dp/0980232716?tag=inspiredalgor-20) * [貝葉斯數據分析，第三版](http://www.amazon.com/dp/1439840954?tag=inspiredalgor-20) * [使用回歸和多級/分層模型進行數據分析](http://www.amazon.com/dp/052168689X?tag=inspiredalgor-20) 實用的機器學習建議在提出一些介紹性資源后，David 繼續在現場開始時提供一些實用的建議。 * **不要指望第一次得到任何東西**。 David 建議從多個不同來源閱讀相同方法的描述。這與我在[算法描述模板](http://machinelearningmastery.com/how-to-learn-a-machine-learning-algorithm/ "How to Learn a Machine Learning Algorithm")中提出的建議相同，我出于必要而提出。 * **實施模型**。我同意 David 的觀點，在你[自己實現它](http://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/ "How to Implement a Machine Learning Algorithm")并將其付諸實踐之前，你無法完全理解這個模型。 David 建議將您的實現與其他實現進行比較，例如開源中的實現，并尋找并理解所使用的任何提高效率的數學或編程技巧。 * **閱讀論文**。大衛講述了一篇關于每日通勤隱藏的論文的軼事。考慮選擇算法或問題，并閱讀與該論文相關的主要來源。 * **挑選一張紙并在其中生活一周**。大衛建議成為一個有紙的人，并且在你熟悉它之前要思考一周。例如，他建議您填寫任何派生方程的進展中的空白。我可以根據經驗說話，建議你仔細挑選你的論文。我選擇的文件花了我多年的時間來交流。大衛用完美的 [John von Neumann](http://en.wikipedia.org/wiki/John_von_Neumann) 引用完成： > 年輕人，在數學中你不懂事物。你只是習慣了他們。緊緊抓住這句話。事情一段時間沒有意義。繼續閱讀和播放，直到點擊（或者至少你有一個功能性的經驗理解）。你有任何辛苦的實用機器學習建議嗎？