# 程序員可以進入機器學習 > 原文： [https://machinelearningmastery.com/programmers-can-get-into-machine-learning/](https://machinelearningmastery.com/programmers-can-get-into-machine-learning/) 在這篇文章中，我想向您展示程序員可以進入機器學習。 我將向您展示學習機器學習就像學習任何其他高科技一樣。 我們首先將學習機器學習與學習編程進行比較，這可能是一個更大的挑戰。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2013/11/equation.jpg) 圖像許可 [iwannt](http://www.flickr.com/photos/iwannt/) 保留一些權利 ## 設計師想要編碼 一位年輕的網頁設計師說，假裝你是一名設計師。你可以在 Photoshop 或其他東西中進行網頁設計，也可以剪掉設計并將它們變成 CSS。你徘徊在程序員身邊，也許你有一點編碼嫉妒。您認為您可能想學習如何編碼。無論是對還是錯，你認為 CSS 和 HTML 都是“實際編碼”，它都是創造性的表達，編程只是你創造力的另一種媒介或出路。 你跳過 Quora 或 StackOverflow 并問一個類似“_ 我是設計師的問題，我怎樣才能學習如何編碼？_ “ 你會得到遍布地圖的答案。你看似經驗豐富，專家程序員給你免費的建議，如“學習 ANSI C 和指針”，“學習二進制”，“買一本關于 ASM 的書”，“從 LISP 開始”。也許一位有說服力的溝通者會寫下一篇長篇且令人信服的答復，你真的應該購買并閱讀 Knuth 的[計算機編程藝術，Vols。 1-3（第 1-3 卷）](http://www.amazon.com/dp/0201485419?tag=inspiredalgor-20)（友情鏈接）。你接受他的建議，在亞馬遜上購買書籍，然后在介紹購買之前獲得介紹，討厭自己不夠聰明，放棄學習編碼的興趣，只在 3 個月內重復相同的循環。 發生了什么？建議似乎是一個很好的建議。 問題是建議是回顧性的。建議來自程序員思考他們的技巧以及已經是程序員的人如何能夠成為更好的程序員。建議不考慮絕對的初學者，一個感興趣的業余愛好者想要趾高氣揚地看看他們是否想去游泳。 現在我同意，現在世界有點不同了。這個問題已經確定，并且有很好的服務可以解決這個問題，即教人們如何編碼。 當然，也許我們學習指針，二進制，ASM 和 LISP，甚至讀取 Knuth 的部分（沒有人真正讀到封面以覆蓋正確嗎？），但后來才出現。但是你是怎么開始的？我開始一起黑客攻擊，嘗試，嘗試，創造和學習。我后來深入研究技術細節，因為我想創建更大，更好，更強大的程序。我沒有從技術細節入手。我認為這種體驗對于很多程序員來說可能是相似的，對你來說這樣嗎？發表評論。 ## 程序員想要做機器學習 現在，如果您正在閱讀本文，那么您可能是程序員或某種開發人員。想想您對機器學習的興趣。您是否看過經驗豐富的專業機器學習器的一些回復，為您提供有關如何入門的免費建議？ 我一直在尋找和閱讀這個建議，有些是好的，其中很多都沒有。我在下面收集了一些樣本： [學習機器學習需要什么數學技能？](http://programmers.stackexchange.com/questions/178004/what-math-skills-are-required-to-learn-machine-learning) * _ 你絕對需要熟悉基本線性代數（操縱向量和矩陣）以及使用對數和指數函數。_ * _ 如果你想讓事情變得“容易”，你需要通過特征向量來了解線性代數。_ [數學的強大背景是 ML 的必備條件嗎？](http://stats.stackexchange.com/questions/40808/is-a-strong-background-in-maths-a-total-requisite-for-ml) * _ 你確實想要熟悉概率，線性代數，線性規劃和多變量微積分。_ [機器學習工作需要哪些技能？](http://programmers.stackexchange.com/questions/79476/what-skills-are-needed-for-machine-learning-jobs) * _ 首先，你需要一個體面的 CS /數學背景。 ML 是一個高級主題，因此大多數教科書都假設您具有該背景。_ * _ 統計，概率，分布式計算和統計。_ 那里有一些非常好的建議，但這個建議是否適合絕對的初學者？程序員是否適合將他們的腳趾浸入水中測試溫度？ 也許人們會問錯誤的問題。此外，我已經挑選了一些答案，這些答案表明在開始機器學習之前需要數學。我想說的是，初學者將專注于他們沒有的東西以及他們不能做的事情。他們甚至可能在嘗試之前就放棄了。 我完全同意，對線性代數和概率的強烈掌握將為進入機器學習提供良好的基礎。我完全同意[統計學習要素](http://www.amazon.com/dp/0387848576?tag=inspiredalgor-20)（友情鏈接）是一本關于多層次的大書。我只是不認為對機器學習感興趣的程序員應該做的第一步是參加數學課程或閱讀該領域的密集理論處理。我實際上強烈建議反對它。 ## 兩個機器學習領域 機器學習有兩個方面： * **實用機器學習：**這是關于查詢數據庫，清理數據，編寫腳本以轉換數據以及將算法和庫粘合在一起以及編寫自定義代碼以從數據中壓縮可靠答案以滿足困難和錯誤定義的問題。這是現實的混亂。 * **理論機器學習**：這是關于數學和抽象和理想化的場景，限制和美觀，并告知可能的。這是一個整潔，整潔，從現實的混亂中刪除。 沒有理論方面，實際方面不能有框架和嚴謹。沒有實踐方面，理論方面沒有意義或動機。這種二分法是錯誤的，它確實是一個工具和方程式的海洋，但留在我身邊。 作為一名程序員，你可能對實際方面有所偏愛，但你將作為“技術人員”達到極限，并且需要理解理論方面才能有效地即興創作。你必須閱讀算法的數學處理，你必須通過密集的教科書。這就是在該領域做得好的原因。問題是，這是從業者向初學者自由提出的建議，這是理想化的，適合中間人，對初學者不合適。 ## 程序員喜歡 Power Tools 我認為對于有經驗的程序員來說，將機器學習視為高級編程主題（如線程）（現在留在我身邊）是很有用的。 如果你想進入線程，你只需編寫一些多線程程序，并了解它可以釋放的功能。你犯了各種各樣的錯誤，但是你制作原型的一些東西可以讓你看到可能的東西。如果您認為這適合您，您可以閱讀書籍并深入了解。 您可以使用現有多線程構造的庫，您可以自己編寫，您可以深入了解各種線程構造背后的一些更多數學主題。您讓您的興趣驅動您學習，最終您可以可靠地構建和部署生產多線程代碼。這是一個過程，而不是一個步驟變化。 顯而易見，機器學習是一個更大，更多樣化的領域，但是我提倡的一般步驟策略將在未來的帖子中詳細說明。 你不是從初學者到運營團隊，而是將機器學習系統投入生產。危險區域是真實的。你可以而且將會學到足夠的危險。但是，通過掌握編程機器（也是代碼審查，同行和導師以及常識）的過程中學到的自律能夠限制那些非常真實的危險。 就像學習編程一樣，學習機器學習是一個學習不會結束的旅程，掌握真正意味著持續教育。如果你感興趣的話，學會閱讀方程式，將它們變成代碼，并編寫自己的方法以構建你的問題可能是一路上的休息。 ## 資源 如果您想深入思考這個問題，我已經列出了一些資源。它有點深，我相信我們可以產生一些很好的討論。 * 向上滾動并閱讀上面列出的 StackOverflow 問題的一些答案。有些答案會阻止程序員，除非他們知道數學，但還有其他非常令人鼓舞的答案會真正讓你振作起來。 * [為什么成為一名數據科學家可能比你想象的更容易](http://gigaom.com/2012/10/14/why-becoming-a-data-scientist-might-be-easier-than-you-think/)一篇 Gigaom 帖子指的是分析性傾向（如程序員）在數據科學中從頭開始并迅速成為具有國際競爭力的一般機會的案例研究。 * [編程需要數學嗎？](http://stackoverflow.com/questions/157354/is-mathematics-necessary-for-programming) 有趣的是，我認為支持和反對的論據是非常相關的，也是一個有用的觀點。 這是一篇非常有用的帖子，我對你的想法非常感興趣。與朋友討論這個問題，我確實聽到了很多關于“技術員”機器學習學徒的危險區域和進展選項。我將在以后的帖子中跟進這兩個主題。 你怎么看？在學習編程和程序員學習機器學習之間，我提出的相似性是否有實質內容？