如何学习机器学习

1、在真实的工作场景中加深理解

假设已经掌握多个分散的知识点，那么要考虑将其形成为一个体系。列举几个场景实例：

场景1：一次性模型

老板给你的数据非常小，甚至在excel中就可以打开，但是他却需要精确并且稳定的预测。

场景2：嵌入式模型

你和团队要对甲方软件项目进行需求收集，你了解到解决某个问题最好的方法是设计并训练一个预测模型，并把它嵌入到你们的软件产品中。这是嵌入式模型。这当中还有一些变体（比如这个模型是固定的？还是以后会自动定期更新？是在本地运行？还是通过API远程访问？）

场景3：深度模型

开始一项新工作，工作的系统至少由一个预测模型组成。不管是维护系统还是添加功能，都需要具备对这个模型的理解，它的输入是什么，输出是什么。

模型的预测精度是软件产品非常重要的一个指标，而你的工作职责包括提升模型预测精度。比如，测试预发布系统时，你展示的模型的准确度不能低于上个版本或高于上个版本。

机器学习是针对特定类别的问题进行设计的。

正确的学习方式是：采用最佳的工具组合和平台，解决真实的机器学习问题。

1、通过系统化流程迭代结果

一旦会使用工具，那么通过机器学习算法解决问题就相对容易了。

2、为你的系统流程选择最佳的工具组合

所谓最好的组合是可以给你快速的、可靠的、高质量的结果，并且能够尽可能的自动运行。

建议的工具组合：

一次性模型：使用Weka平台，可以在很短的时间加载csv，设计一个实验，并获得最好的模型

嵌入式预测模型：通过python使用Scikit-learn库。

深度模型：R语言，在R平台上可以快速并且自动尝试很多最高水平的模型。3

3、有选择性的开放你的项目

仔细选择练习数据库：可以从UCI机器学习库中获得，相对简单，适合新手学习。

之后推荐一些更大的数据库，比如Kaggle、KDD比赛提供的数据集，它们相对有点乱，要求使用更多不同的技能。

坚持使用表列数据。

处理图像和文本数据（分别是计算机视觉和自然语言处理）一般会要求使用该领域里面特定的某些方法和工具。

大数据！=机器学习。你可以使用大数据构建一个预测模型，但是这仅仅是你所拥有的技能在特定领域的特定表现，一开始学习机器学习应从小数据开始。