<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>

                ??碼云GVP開源項目 12k star Uniapp+ElementUI 功能強大 支持多語言、二開方便! 廣告
                # 4 個自學機器學習項目 > 原文: [https://machinelearningmastery.com/self-study-machine-learning-projects/](https://machinelearningmastery.com/self-study-machine-learning-projects/) 機器學習領域有很多途徑,大部分都是從理論開始的。 如果您是程序員,那么[您已經擁有](http://machinelearningmastery.com/programmers-should-get-into-machine-learning/ "Programmers Should Get Into Machine Learning")技能,可以將問題分解為組成部分,并為小型項目制作原型,以便學習新技術,庫和方法。這些是任何專業程序員的重要技能,今天這些技能可用于開始機器學習。 這些是任何專業程序員的重要技能,今天這些技能可用于開始機器學習。 ![Self Study](img/329b9a368e9286765d1e32303c743fc1.jpg) 自學 攝影: [gfairchild](http://www.flickr.com/photos/gcfairch/4183435647/sizes/l/) ,保留一些權利 你必須學會??理論才能在機器學習中發揮作用,但你可以利用自己的興趣和對知識的渴求來激勵你從工作實例到算法的數學理解。 在這篇文章中,您將學習程序員可以遵循的四種策略來開始機器學習。這是技術人員的路徑,這是實用和經驗性的,需要您進行研究和完成實驗,以建立自己的直覺。 四種策略是: 1. 學習機器學習工具 2. 研究機器學習數據集 3. 研究機器學習算法 4. 實現機器學習算法 仔細閱讀這些策略并選擇一個最適合您的策略,然后放棄執行。 ## 1.學習機器學習工具 選擇您喜歡的工具或庫,并學習如何使用它。 我建議您從一個提供數據準備工具,機器學習算法和結果表示的環境開始。學習這樣的環境可以讓您熟悉端到端的機器學習過程,這對您來說比學習特定的數據準備技術或機器學習算法更有價值。 或者,也許您對一系列技術的特定技術感興趣。您可以將此作為深入了解提供這些方法的庫或工具的機會,并通過掌握提供該技術訪問權限的庫來掌握該技術。 ![Study a Machine Learning Tool](img/9058e5eabfd29763c4c5d5d536cf43b7.jpg) 學習機器學習工具 攝影: [zzpza](http://www.flickr.com/photos/zzpza/3269784239/sizes/o/) ,保留一些權利 您可以遵循此策略的一些策略是: * 比較和對比您可以選擇的候選工具。 * 總結所選工具的功能。 * 閱讀并總結該工具的文檔。 * 該工具的完整文本或視頻教程,并總結了您完成的每個教程的關鍵學習要點。 * 為該工具的功能或功能創建教程。選擇您不太了解的內容并創建編寫獲取結果的過程或錄制有關如何使用該功能的 5 分鐘截屏視頻。 您應該考慮的一些環境包括: [R](http://www.r-project.org/) , [Weka](http://www.cs.waikato.ac.nz/ml/weka/) , [scikit-learn](http://scikit-learn.org/stable/) ,[華夫餅](http://waffles.sourceforge.net/)和[橙](http://orange.biolab.si/)。 ## 2.研究機器學習數據集 選擇一個數據集并密切了解它,并發現哪個算法類或類型最適合它。 我建議你選擇適合內存的適度大小的數據集,以前可能已經進行了很好的研究。有很多優秀的數據源庫供您瀏覽和選擇。您的目標是了解數據源所代表的基本問題,數據集中的結構以及最適合該問題的解決方案類型。 使用機器學習或統計環境來研究數據集。這將使您能夠專注于您想要回答的有關數據集的問題,而不是分心學習給定技術并學習如何在代碼中實現它。 ![Study a Machine Learning Dataset](img/104877baa065bb0120bed1b46d66b505.jpg) 研究機器學習數據集 照 [abhidg](http://www.flickr.com/photos/abhidg/6452694851/sizes/l/) ,保留一些權利 一些可以幫助您研究實驗機器學習數據集的策略是: * 清楚地描述數據集所代表的問題。 * 使用描述性統計數據匯總數據。 * 描述您在數據中觀察到的結構,并假設數據中的關系。 * 現場測試數據集上的一些流行的機器學習算法,并發現哪個通用類比其他類更好 * 調整運行良好的算法并發現在問題上表現良好的算法和算法配置 您可能要考慮的一些高質量數據集存儲庫是: [UCI ML 存儲庫](http://archive.ics.uci.edu/ml/datasets.html), [Kaggle](http://www.kaggle.com/) 和 [data.gov](http://www.data.gov/) 。 ## 3.研究機器學習算法 選擇一種算法并密切理解它,并發現在不同數據集中穩定的參數配置。 我建議你從一個適度復雜的算法開始。選擇一個很好理解的算法,有許多開源實現供您選擇,并且您可以使用很少的參數進行探索。您的目標是建立算法如何在一系列問題和參數配置中執行的直覺。 使用機器學習環境或庫。這將使您能夠專注于算法的行為作為“系統”,而不是關注自己的規范數學描述和參考文獻。 ![Study a Machine Learning Algorithm](img/367571bf5c55f01934c752658afd6744.jpg) 學習機器學習算法 照片由[不受人才阻礙](http://www.flickr.com/photos/nicmcphee/474509989/sizes/l/),保留一些權利 在研究您選擇的機器學習算法時,您可以使用的一些策略是: * 總結系統的參數及其對算法的預期影響。 * 選擇適合算法的一系列可能引發不同行為的數據集。 * 選擇您認為會從系統中獲取不同行為的算法參數配置,并列出您可能期望從系統中獲得的行為。 * 考慮算法的行為,當算法在算法更新過程的迭代或其他時間間隔上運行時,可以監視該算法的行為。 * 使用數據集,算法配置和行為度量的一個或多個組合設計小型實驗,以回答特定問題并報告結果。 您的學習可以像您一樣簡單或復雜。在高端,您可以探索所謂的啟發式或經驗法則,以應用算法并憑經驗證明它們是否具有優點,如果是,在什么情況下它們與成功結果相關聯。 您可能考慮開始的一些算法包括:最小二乘線性回歸,邏輯回歸,k-最近鄰分類,感知器 ## 4.實現機器學習算法 選擇算法并將現有實現實現或移植到您選擇的語言。 選擇要實現的適度復雜度的算法。我建議對要實現的算法進行一些詳細的研究,或者選擇您喜歡的實現并將其移植到您選擇的目標編程語言。 從頭開始實施算法是了解在將算法描述轉換為功能系統時必須做出的無數微決策的好方法。通過使用多種算法重復此過程,您將很快獲得如何閱讀研究論文和書籍中算法的數學描述的直覺。 ![Implement a Machine Leaning Algorithm](img/4346aca8b34bc122f0f2b4e3caa907f4.jpg) 實現機器學習算法 照 [Nic 的事件](http://www.flickr.com/photos/nics_events/2227330536/sizes/l/),保留一些權利 從頭開始實施機器學習算法可能有助于您的五種策略是: * 從移植開始。將開源算法實現從一種語言移植到另一種語言將教會您如何實現算法并使其成為您自己的算法。這是最快的入門方式,強烈推薦。 * 選擇一個算法描述來處理并收集其他算法描述以支持您消除主要參考資料的歧義 * 不要害怕與算法作者,論文作者甚至算法實現作者聯系,提出問題以幫助您消除對算法描述的理解。 * 閱讀目標算法的大量實現。了解不同的程序員如何解釋算法描述并將其轉換為代碼。 * 不要陷入先進的方法。許多機器學習算法在其核心中使用高級優化方法。除非這是項目的重點,否則不要嘗試重新實現這些方法。使用提供優化算法的庫或使用易于實現的簡單優化算法(如梯度下降)或在庫中可用。 ## 小項目方法論 四種策略是我稱之為“小項目”的方法。這是一種可以用來快速建立技術學習領域的實用技能的方法,如機器學習。一般的想法是,您可以針對要回答的特定問題的小項目進行設計和執行。 小項目在一些方面很小,以確保它們完成,并提取學習優勢并進入下一個項目。以下是您應考慮對項目施加的限制: * **時間不多**:項目從開始到結果呈現時間不應超過 5-15 小時。這將允許您在一周的夜晚和周末時間完成一個小項目,遠離您的 9-5 工作。 * **范圍小**:一個項目應該解決你感興趣的問題的最窄版本,并且仍然有意義。例如,在一般情況下,不是解決問題“寫一個會告訴我推文是否會被轉發的程序”,而是針對給定時間段內的特定 Twitter 帳戶解決問題。 * **資源不足**:項目應該可以在桌面或筆記本電腦上通過互聯網連接完成。您不應該需要異國情調的軟件,Web 基礎結構或第三方數據或服務。收集您需要提交的數據,將其加載到內存中并使用開源工具攻擊您的狹隘問題。 ## 其他項目提示 這些策略的原則是采取行動并利用您的程序員技能。以下三個提示可幫助您調整思路以采取行動: * **寫下你學到的東西**。我建議您為每一步采取切實的工作成果。這可能是期刊,推文,博客文章或開源項目中的注釋。每個工作產品都充當錨點和里程碑。 * **除非這是項目**的目的,否則不要編寫代碼。這個提示并不明顯,但在加速您對機器學習的理解方面可能是最大的。 * **目標是讓你學習一些不創造獨特資源的東西**。沒有人會閱讀您的算法或教程或算法注釋,暫時忽略它。它們是您的觀點和您的工作產品,以證明您現在知道某些事情。 ## 摘要 這里是尺寸策??略,每個都有一個明確的單行,以幫助您選擇適合您的。 1. **研究機器學習工具**:選擇您喜歡的工具或庫,并學習如何使用它。 2. **研究機器學習數據集**:選擇一個數據集并密切了解它,并發現哪個算法類或類型最適合它。 3. **研究機器學習算法**:選擇一種算法并對其進行密切理解,并發現在不同數據集中穩定的參數配置。 4. **實現機器學習算法**:選擇算法并將現有實現實現或移植到您選擇的語言。 **選一個!** 您會選擇哪種策略以及您的第一步是什么?選擇一個并在下面的評論中聲明您的意圖。
                  <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