<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>

                ??一站式輕松地調用各大LLM模型接口,支持GPT4、智譜、豆包、星火、月之暗面及文生圖、文生視頻 廣告
                # 如果我不是一個優秀的程序員怎么辦? > 原文: [https://machinelearningmastery.com/what-if-im-not-a-good-programmer/](https://machinelearningmastery.com/what-if-im-not-a-good-programmer/) 編程是機器學習的一部分,但機器學習比編程要大得多。 在這篇文章中,您將了解到您不必是程序員就可以開始進行機器學習或找到復雜問題的解決方案。 ## 編程機器學習 機器學習算法以代碼實現。程序員喜歡自己實現算法,以真正理解算法的工作原理。這也可能需要從針對給定問題定制的算法中獲得最大收益。 ![What if I'm Not a Good Programmer](img/ddd641adc89009c766257bc358bd6e5b.jpg) 如果我不是一個優秀的程序員怎么辦 照 [mutednarayan](http://www.flickr.com/photos/mutednarayan/2280385549/sizes/o/) ,保留一些權利 解決問題不僅僅是算法。例如,在清楚地定義問題,準備數據和展示結果方面還有更多工作要做。甚至算法也可以現成的,并應用和調整以解決問題。 ## 圖形機器學習環境 您可以在不觸及一行代碼的情況下獲得很長的路要走。這是由于可用的優秀軟件。 您可以使用三種流行的機器學習環境,無需任何編程即可開始使用或在問題上取得很大進展。 * [**Weka** ](http://www.cs.waikato.ac.nz/ml/weka/):圖形化學習工作臺。它提供了一個可用于準備數據,運行算法和查看結果的資源管理器。它還提供了一個實驗者,您可以在受控環境中執行相同的任務,并設計一批可以運行很長一段時間的算法運行,然后查看結果。最后,它還提供了一個數據流接口,您可以像流程圖一樣將算法插入到一起。在封面下,您可以使用 Weka 作為 Java 庫并編寫使用算法的程序。 * [**BigML** ](https://bigml.com/):一種 Web 服務,您可以在其中上傳數據,準備數據并在其上運行算法。它提供了簡潔易用的界面,用于配置算法(決策樹)和查看結果。這項服務的最大特點是它全部在云端,這意味著您只需要一個 Web 瀏覽器即可開始使用。它還提供了一個 API,如果你喜歡它,你可以圍繞它構建一個應用程序。 * [**Orange** ](https://orange.biolab.si/):提供可視化編程的設計工具,允許您將數據準備,算法和結果評估連接在一起,以創建機器學習“程序”。為環境提供 100 多個小部件,并提供用于集成到應用程序中的 Python API 和庫。 ## 腳本機學習環境 您不必是一個優秀的程序員來編寫將組件粘合在一起的腳本。您可能認為自己是程序員,而不是一個非常自信的程序員。 腳本是機器學習環境和更多編程密集型解決方案(如使用代碼庫)之間的優秀中間件。在本節中,您將回顧兩個用于機器學習的腳本環境。 * [**Scikit-Learn** ](http://scikit-learn.org/stable/):用 python 編寫的腳本環境和庫,提供機器學習算法和數據預處理。它提供了大量的入門文檔和示例。 * [**Waffles** ](http://waffles.sourceforge.net/):命令行工具的集合。如果 orange 是圖形編程環境,那么華夫餅是一個命令行編程環境。提供用于準備和可視化數據,運行算法和匯總結果的工具。它是用 C ++編寫的,提供了一個可以集成到更大程序中的 API。 ## 不要從代碼開始 無論您是程序員還是程序員,我都建議您在圖形和腳本機器學習環境中探索問題。 我認為這不是從代碼開始的好處。通過應用算法,您可以更快,更快地學習,而不是首先嘗試理解它們。三個好處包括: * **流程**:像 WEKA 這樣的平臺是圍繞分析,準備,算法運行和結果評估的過程構建的。他們可以訓練你進行實驗,而不是如何運行算法。這使您可以專注于從問題到解決方案的路徑,而不是深入了解機器學習。 * **Discovery** :你可以發現你沒想到的數據準備步驟和你沒有聽說過的算法。如果您必須依次研究和實現每個方法,或者閱讀 API 文檔以找出可用的方法,那么您可以探索更多的方法。 * **速度**:當您不必自己實現所有內容或編寫代碼來實現每個實驗時,您可以更快地嘗試更多方法。 在這篇文章中,您了解到您不需要成為熟練的程序員就可以開始或在機器學習領域取得進步。您了解到有許多可用選項,并且兩個具體示例是圖形和腳本機器學習環境。這些環境可用于學習機器學習和解決復雜問題。
                  <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