# 機器學習自學指南 > 原文： [https://machinelearningmastery.com/self-study-guide-to-machine-learning/](https://machinelearningmastery.com/self-study-guide-to-machine-learning/) 你可以做很多關于機器學習的事情。 您可以使用書籍和課程等資源，可以輸入的比賽和可以使用的工具。 在這篇文章中，我想在這些活動中加入一些結構，并建議在從程序員到機器學習大師的旅途中解決什么問題。 ## 四級機器學習 考慮機器學習的四個級別的能力。這是一個模型，可以幫助我們思考可用的資源和活動，以及何時可以解決它們的好時機。 1. 初學者 2. 初學者 3. 中間 4. 高級 我想在這里將初學者與新手分開，因為我想表明絕對的初學者（對該領域感興趣的程序員）如果他們選擇的話，他們之前就有一條路徑。 我們將瀏覽這四個級別中的每一個級別，并查看可以幫助某個級別的人學習更多知識和技能水平的資源和活動。 細分只是一個建議，很可能在某個級別之前或之后的某個活動或資源在細分的給定級別上非常有用和適當。 我認為整體結構很有用，我很想聽聽你的想法，在下面留下你的想法。  記入 [pugetsoundphotowalks](http://www.flickr.com/photos/25636851@N03/3406567851/sizes/z/in/photostream/) ，保留一些權利 ## 初學者 初學者是對機器學習感興趣的程序員。他們可能已經開始閱讀一本書，維基百科頁面，或者在課程中學習了一些課程，但他們并沒有真正“_ 得到它 _”。他們感到沮喪，因為他們得到的建議是中間體和高級水平。 初學者需要一個溫和的介紹。遠離代碼和教科書和課程。他們需要首先指出的原因和最新情況，為新手級材料奠定基礎。 絕對初學者的一些活動和資源是： * **書籍介紹**：閱讀有關程序員的良好機器學習和數據挖掘書籍的介紹，如[黑客機器學習](http://www.amazon.com/dp/1449303714?tag=inspiredalgor-20)（會員鏈接），[編程集體智慧](http://www.amazon.com/dp/0596529325?tag=inspiredalgor-20)（會員鏈接）和[數據挖掘：實用機器學習工具和技術](http://www.amazon.com/dp/0123748569?tag=inspiredalgor-20)（會員鏈接）。這些是適合初學者的好書，你可以在帖子[最佳機器學習資源入門](http://machinelearningmastery.com/best-machine-learning-resources-for-getting-started/ "Best Machine Learning Resources for Getting Started")中閱讀更多相關內容。 * **概述視頻**：觀看演示文稿，向外行觀眾概述機器學習。一些例子包括：[采訪 Tom Mitchell](http://videolectures.net/mlas06_mitchell_itm/) 和 [Peter Norvig 關于大數據 Facebook Tech Talk](https://www.facebook.com/video/video.php?v=644326502463) 。 * **與人們交談**：詢問他們是如何在這個領域開始的，他們為初學者推薦了什么資源，他們對這個領域感到興奮。 ## 初學者 新手與機器學習領域有過一些聯系。他們讀了一本書或上了一門課。他們知道他們感興趣，他們想知道更多。他們開始得到它，并希望開始完成任務。 新手需要做點什么。他們需要付諸行動，使材料扎根并融入現有的知識結構，如他們所熟悉的編程語言或他們習慣解決的問題。 新手的一些活動和資源是： * **完成課程**：學習并完成斯坦福機器學習課程。記下大量筆記，盡可能完成作業，提出很多問題。 * **閱讀一些書籍**：不是教科書，而是上面列出的那些針對初學者程序員的友好書籍。 * **學習工具**：學習駕駛像 [Scikit-Learn](http://scikit-learn.org/stable/) ， [WEKA](http://www.cs.waikato.ac.nz/ml/weka/) ， [R](http://www.r-project.org/) 等類似的工具或庫。具體來說，了解如何使用您在書籍或課程中閱讀或了解的算法。看到它在行動，并習慣在學習它們時嘗試。 * **寫一些代碼**：實現一個更簡單的算法，如感知器，k 近鄰或線性回歸。編寫一些程序來揭開方法的神秘面紗，并學習使其發揮作用所需的所有微觀決策。 * **完整教程**：關注并完成教程。開始構建一個包含數據集，腳本甚至源代碼的小項目目錄，您可以回顧，閱讀和思考。 ## 中間 新手已閱讀一些書籍并完成了一些課程。他們知道如何驅動一些工具并編寫了一堆代碼來實現簡單的算法和完成教程。一個中間人正在自己爆發，設計自己的項目來學習新技術，并與更大的社區進行互動和學習。 中級正在學習如何準確，有效和穩健地實施和運用算法。他們還建立了預先花費大量時間處理數據，清理，總結和思考可以回答的問題類型的技能。 中間體的一些活動和資源是： * **小型項目**：設計小型編程項目和實驗，可以使用機器學習來解決問題。這就像設計和執行您自己的教程一樣，以探索您感興趣的技術。您可以實現算法或鏈接到提供算法的庫。 [了解有關小型項目的更多信息](http://machinelearningmastery.com/self-study-machine-learning-projects/ "4 Self-Study Machine Learning Projects")。 * **數據分析**：習慣于探索和總結數據集。自動化報告，了解何時使用哪些工具，并查找可以探索，清理的數據，以及可以練習技術和交流有趣內容的數據。 * **閱讀教科書**：閱讀并內化有關機器學習的教科書。這可能需要技能來熟悉技術的數學描述并承認描述問題類和算法的形式。 * **Write Plugins** ：為開源機器學習平臺和庫編寫插件和軟件包。這是學習如何編寫健壯的生產級算法實現的練習。在項目中使用您自己的插件，請求社區進行代碼審查，并盡可能將代碼包含在平臺中。獲得反饋和學習是我們的目標。 * **比賽**：參加機器學習比賽，例如與會議相關或在 [Kaggle](http://www.kaggle.com/) 等平臺上提供的比賽。參與討論，提出問題，了解其他從業者如何處理問題。添加到您可以繪制的項目，方法和代碼的存儲庫中。 ## 高級 一位高級從業者編寫了大量代碼，既可以集成機器學習算法，也可以自己實現算法。他們可能參加過比賽或書面插件。他們閱讀了教科書，完成了課程，對該領域有廣泛的了解，并對他們喜歡的一些關鍵技術有深入的了解。 高級從業者構建，部署和維護使用機器學習的生產系統。他們隨時了解各個領域的新發展，并急切地尋找并了解一種方法的細微差別以及從其他前線從業者那里傳來的技巧。 高級從業者的一些活動和資源是： * **自定義算法**：修改算法以滿足他們的需求，這可能涉及實現類似問題域的會議和期刊論文中概述的自定義。 * **新算法**：設計基于底層形式的全新方法，以應對他們遇到的挑戰。它更多的是關于獲得最佳結果而不是推進該領域的前沿。 * **案例研究**：閱讀甚至重新創建機器學習競賽和其他從業者完成的案例研究。這些“我是如何做的”論文和帖子通常充滿了數據準備，特征工程和技術使用的微妙專業技巧。 * **方法論**：流程的系統化，無論是正式的還是為自己的。他們有辦法解決問題并在此時獲得結果，他們正在積極尋找方法，通過提示，最佳實踐和新的更好的技術進一步完善和改進流程。 * **研究**：參加會議，閱讀研究論文和專著，與該領域的專家進行對話。他們可能會寫下他們的一些作品并將其提交出版，或者只是將其放入博客文章中并重新開始工作。 掌握是連續的，學習不會結束。人們可以在這個旅程中的任何一點暫停和繞行，成為“_ 競爭家伙 _”或“_ 專業庫家伙 _”。事實上，我希望這種彎路成為常態。 這種細分可以看作技術人員從初級到高級的線性路徑，它是故意以程序員為中心的。我很想聽到對這種閱讀的批評，這樣我才能做得更好。如果您發現自己在特定級別渴望更多，那么這個細分只是我對要解決的活動類型的建議。 **那你是什么級別，接下來要做什么？** 發表評論！ **UPDATE** ：繼續關于 Reddit 的[討論。](http://www.reddit.com/r/MachineLearning/comments/1tceo8/selfstudy_guide_to_machine_learning/)