找资料也是门学问，别抓着机器学习就一拥而上。
作者 | Jason Brownlee
编译 | AI100（ID:rgznai100）
来看个小故事：机器学习火了。
做开发的工程师小张，和做对冲基金的经理老王，都希望在自己的领域加入机器学习。
工程师小张，希望能在自己的软件项目中加入机器学习。而经理老王，则希望在量化交易中，更多借助机器学习的强大，来处理交易，从而占据市场先机。
老王有着多年的编程经验，小张则是多年的开发经验。两人分别让周围的朋友推荐一些书籍，买来自学。
不过，这两人很快就读不下去了，连第一章都读不下去。
怎么回事？
难道是因为推荐的书籍不够好吗？
并不是。朋友们推荐的课程和教材都很棒，可是，不适合。
这是目前一个非常普遍的问题——不匹配。
这些教材，对于有4年数学基础，机器学习在读的研究生来说，特别适用。
但是，但是，对于有十年开发经验和基金经验的小张和老王来说，可就不适用了。他们可不愿意从理论开始整天慢慢学，他们只想把机器学习当作一个工具，快速解决实际问题就行。
你是不是也遇到同样的问题？只想用好机器学习，并不想追求其中的道道。
这篇文章就专门来回答：不同行业，不同需求的人，到底应该在什么地方去获取有用资料，避免时间浪费。
以下来自澳大利亚机器学习大师Jason Brownlee的博客，希望对你有所启发。
本文，列举了10类人群，并将其归到4个小组。
无论你是机器学习专业的学生，还是想借机器学习获得商业问题优化方案的数据分析师，还是软件的开发工程师，还是对机器学习感兴趣的商务人士，你都能在这篇文章中，准确找到你所真正需要的资料。
在我们开始今天的干货前，先搞清楚你到底属于哪一类，以对症下药。
以下是人群的分组列表：
商业人群
对机器学习感兴趣的商务人士
在项目中应用机器学习的经理人
学术人群
机器学习专业的本科生或研究生
机器学习领域的研究人员
利用机器学习建模的其他领域的研究人员
工程人群
实现算法的编程人员
交付一次性预测信息的开发人员
改进软件和服务的工程师
数据人群
希望获得商业问题优化方案的数据科学家
希望能更好地解释数据的数据分析师
➤商业人群
通常来讲，这类人群希望在商业上有效地使用机器学习，但并不需要掌握其算法或工具的实现细节。
在商业领域，机器学习技术已经广泛地用于预测分析。
对机器学习感兴趣的商务人士
这类人群包括总经理及咨询顾问，对他们而言，机器学习会对以后的项目和策划起到战略指导的作用
以下资源对此类人群做战略思考会有帮助：
1.Gartner’s Magic Quadrant for Advanced Analytics Platforms, 2015
2.Gartner’s Machine Learning Drives Digital Business, 2014
3.McKinsey’s An executive’s guide to machine learning, 2015
在下一节针对“经理人”的推荐书籍，也适用这个人群。
项目经理人
机器学习对于这类人群负责的项目非常适用。对他们来说，有用的资料是关于各种问题和算法的全面概括，而不需要关注太多细节。
可以参考以下书籍：
1.Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die
2.Data Science for Business: What you need to know about data mining and data-analytic thinking
3.Data Smart: Using Data Science to Transform Information into Insight
➤学术人群
通常来讲，这类人群主要指学生，包括本科生、研究、博士后、研究助理等。
学术人群可能会花大量时间研究他们论文中的某个机器学习算法。 在此，我推荐他们看一篇文章“How to Research a Machine Learning Algorithm”，了解关于算法方面的研究。
机器学习专业的本科生或研究生
机器学习专业的学生通常会上一些关于技术和算法的课程，因此他们对相关的具体问题会更感兴趣。
学生一般比较专注，也有时间深入去钻研。这类人群最好阅读教科书。以下是机器学习领域里最好的教科书：
Learning from Data
Machine Learning: A Probabilistic Perspective
Pattern Recognition and Machine Learning
The Elements of Statistical Learning: Data Mining. Inference. and Prediction
机器学习领域的研究人员
机器学习领域的研究人员会深入了解机器学习的某个方面，并努力去扩展该领域。
研究人员对本专业的研究论文、期刊、组织、网络等很感兴趣。
教科书对他们来说，可就不适用了。
他们需要参考一些知名度高的期刊和论文集：
Journal of Machine Learning Research (JMLR)
Neural Information Processing Systems (NIPS)
Knowledge Discovery and Data Mining (SIGKDD)
International Conference on Machine Learning (ICML)
检验Quora上关于“机器学习最好的会议和期刊是什么？”。
这儿有一个很方便的人工智能排名前50位的期刊列表。
利用机器学习建模的其他领域的研究人员
其他领域的研究人员可能也会对机器学习感兴趣，但是是把它当作工具。他们更关注用自己的数据建造描述性或预测性的模型。
例如，客户研究、地质学、或者生物学领域的科学家有他们自己的数据集。他们会用建模的方法来预测未来可能会发生的问题。
相比于模型的准确度，他们更关注模型的可解释性。因此，从统计学借鉴过来的简单易懂的方法更易被接受，例如线性回归和逻辑回归。
当然，好的系统化过程仍然需要。
我会推荐“工程人群”里提到的资源，尤其是“Developer Interested in Delivering One-Off Predictions”。另外可以看一下“数据人群”里“数据科学家”那部分。
➤工程人群
工程人群基本上是开发人员，他们希望将机器学习用于自己项目的解决方案中。
对于开发人员，推荐一篇很好的文章“Machine Learning for Programmers”。
工程人群可以从答疑网站的机器学习社区中获得很多帮助和支持。 更多的信息，可以参考文章“Machine Learning Communities”。
1. 实现算法的编程人员
对于编程人员来说，一个很好的掌握机器学习技能的方法是：从零基础开始，利用现有的编程能力实现机器学习的算法。
这个方法我讲过很多次，也在我的博文“Understand Machine Learning Algorithms By Implementing Them From Scratch”中提供了很棒的小窍门和资源。
在这篇博文中，我还针对这个方法推荐了三本书
Data Science from Scratch: First Principles with Python
Machine Learning in Action
Machine Learning: An Algorithmic Perspective
2. 交付一次性预测信息的开发人员
一个开发人员不一定得是很棒的程序员，而编程也不需要交付一个准确可靠的预测模型。
一个一次性的预测模型可以在商业环境中提供一套预测信息。在自学、处理实际数据集甚至在机器学习竞赛中，这种模型都算是非常理想的。
如果你经历过系统地解决问题的全部过程，并提供出一个独立的模型，你将获益良多。
Data Mining: Practical Machine Learning Tools and Techniques
Applied Predictive Modeling
你可以从我的博文“Process for working through Machine Learning Problems”中了解到端对端的解决机器学习问题的系统流程。
3. 改进软件和服务的工程师
一个工程师要想在他们的软件项目中加入机器学习，需要掌握的知识包括算法、端对端解决问题、以及在软件实际运转的情况下如何让算法可靠执行。
这类人群是从前面的两类人群成长而来的，称他们为机器学习工程师可能更恰当。他们致力于使用高速的算法来提供准确可靠的结果，并在二者中寻求平衡。
这类人群也大量使用了机器学习书库和基础架构。
在启动中的机器学习书库中，包括如下有用的资源：
Building Machine Learning Systems with Python
Learning scikit-learn: Machine Learning in Python
Practical Data Science with R
Machine Learning with R
另外，还可以参阅文章“Building a Production Machine Learning Infrastructure”。
➤数据人群
通常来说，这类人群主要跟数据打交道，但可能也需要用到机器学习的知识。
希望获得商业问题优化方案的数据科学家
一名优秀的数据科学家，绝不能停止学习。
你必须了解最新的数据流、技巧和算法。这包括你需要用来描述数据和创建预测模型的机器学习技能。
从“工程部落”项下列出的更为实用的资源中，以及从“学术部落”项下列出的更为理论化的资源中，数据科学家可以获取自己需要的资源。
但是一些以数据科学为主的机器学习资源既有实用性又有理论性，这些资源包括：
Applied Predictive Modeling
An Introduction to Statistical Learning: with Applications in R
Machine Learning for Hackers
希望能更好地解释数据的数据分析师
数据分析员主要对商业利益背景下的数据解释感兴趣。有时，机器学习算法有助于得出性能更好的模型。这些模型大多为描述模型，但是有时也包括预测模型。
和“普通研究人员”这个群体一样，这个群体可能在统计学和统计推论上有着良好的基础。另外，由于他们对描述模型最感兴趣，因此掌握线性回归和逻辑回归之类的经典算法可能就足够了。相对于准确性，所得模型的解释能力更好。
从统计推论的角度而言，上文提到的资源很很有用。
原文地址
译文地址
