我是如何花了一年时间来学机器学习的
我是如何花了一年时间来学机器学习的
盈思创通科技 发表于9个月前
我是如何花了一年时间来学机器学习的
  • 发表于 9个月前
  • 阅读 4
  • 收藏 0
  • 点赞 0
  • 评论 0

新睿云服务器60天免费使用,快来体验!>>>   

 

 

 

  我们都了解AI 的发展方向不错,比如 Google 成为了一家 AI First 的企业,很多开发者也逐渐开始关注机器学习。所以,我就找来这篇文章,给大家分享下如何学习机器学习并对此产生兴趣。

  这位学习者刚开始在 Hacker News 上认识机器学习并对他有了浓厚的兴趣,然后用了一年左右的时间,从开始机器学习到应用在实际项目中。当中利用 Udacity、Coursera、Kaggle竞赛、斯坦福大学课程等多种资源来进行学习和训练,也遇到了各种难题。

  一年前我写过一篇文章《Machine Learning in a Week》,那时我花了五天的时间学了一些机器学习基本概念,算了入了门。从那之后,我开始利用业余时间,持续学习了一年时间,现在我已经能实际项目中应用了机器学习这门技术。

  对我来说,我的本职工作需要我去学习机器学习,而这门技术恰好又是我感兴趣的。

  我之前一直认为,只有机器学习领域的硕士或博士才能应用这门技术,但现在我发现这种想法并不正确。

  真实情况是,入门机器学习并不需要多么高深的数学知识,而且你也不需要非得拿个研究生学位才能深入研究机器学习。

  这篇文章里我想分享一下一年来我的学习心得,希望对大家有帮助。

  入门:Hacker News 和 Udacity

  我对机器学习的兴趣始于2014年,当时我在阅读 Hacker News 上的文章,文中提出了一个思想:我们可以提供大量数据来给机器去学习,这个思想深深吸引了我。当时的我只是个普通的程序猿,做过几个小的项目。

  于是我当时开始去学习 Udacity 上的 Supervised Learning (监督学习)课程,同时也会阅读各种机器学习相关的文章。

  这些课程和文章让我对机器学习的概念有了一定的了解,但并没有培养实际的技能。我并没有看完 Udacity 的课程,就像我也很少能看完 MOOC 上的课程。呵呵。

  未预期完成 Coursera 上的机器学习课程

  在 2015 年一月,我加入了位于伦敦的一个 Founders and Coders 训练营,希望借此机会成为一名机器学习开发者。那时我和几个基友一起学习,每周二晚上,我们一起看 Coursera 上 Andrew Ng 的机器学习课程。

  这个课程有点碉堡了,我从中学到了非常多。但是,它对于初学者而言还是有点难度。我当时也是反复多次看视频才能理解其中的概念。其中的 Octave 变成任务非常的有难度。在几周的学习中,由于其本身的难度不小,不少学员陆陆续续放弃。最后,我也放弃了。

  现在回想下,我当时应该去找一门实践性更强的课程,最好让我们应用某些机器学习 library 来做一些编程实践,如果允许使用一门我已知的编程语言就能好了。

  一边学习新语言,一边学习机器学习算法,这样的学习方式对于新手来说有点不太现实。

  如果我再重新学一遍,我会先从 Udacity 的机器学习入门课程开始,因为这个课程更加简单,而且是使用 Python 和 Scikit 工具。这样子的话,会学得更加轻松,培养自信,学习起来也更有趣。

  经验值: 先从简单、实用的方式来开始学习,而不是一上来就学习难点和纯理论。

  一周沉浸式训练

  在 Founders and Coders 我做的最后一件事是一周魔鬼训练:完整花费一周的时间投入到机器学习上,并利用我掌握的机器学习知识来解决一个实际问题。

  这一周我做了下面几件事:

  学习 Scikit Learn

  针对 真实世界数据集 采用机器学习处理

  编写 线性回归 算法代码(基于 Python)

  做一些自然语言处理

  那一周是我经历过的最深入的学习曲线。感兴趣的话可以读一下这篇文章《Machine Learning in a Week》

  经验: 沉浸式地把自己投入去学习是非常高效的。

  不顺利地神经网络学习

  在我完成了伦敦的 FAC 训练营并会到挪威后,我尝试再用一周的沉浸式训练来学习神经网络技术。

  不过这次,我失败了。

  很简单,每天花完整的 10 个小时来学习并编程很容易受到各种干扰。我才发现,自己低估了当时在 FAC 训练营集体学习的重要性了,有同伴一起学习,往往效率会高很多。

  经验:在学习有难度的知识技能时,尽可能找一个积极向上的环境围绕自己。

  但是,不管怎样,我至少入门了神经网络,并能缓慢地理解其中一些概念。到了2016年7月,我开始编写自己的神经网络代码。虽然那份代码写的非常蹩脚,我甚至都不好意思拿出来,不过,它确实基本实现了神经网络的功能。这也表明我大致理解了 backpropagation 反向传播算法 和 gradient descent 梯度下降算法。

   

 

 

  在 2015 年下半年,我的学习进度有所下降,因为我重新换了工作。这期间我的主要成长是从非向量化神经网络实现到向量化实现。

  在 2015 年底,我写了一篇总结文章介绍了我在神经网络的学习进展:《Learning How To Code Neural Networks》

  尝试 Kaggle 算法竞赛

  在 2015 年圣诞节期间,我决定尝试下 Kaggle 测试[Kaggle是一个数据建模和数据分析竞赛平台]。于是我花了很多时间来实验各种算法来解决Homesite Quote Conversion, Otto Group Product Classification 和 Bike Sharing Demand 问题。

   

 

 

  Kaggle 是一个很赞的平台,它上面提供丰富的数据集,而且你能看到你的算法的实际运行性能。

  这段期间我主要学会了不断迭代算法,来改善试验结果。而且在做机器学习时,我也学会了相信我的代码逻辑,很多时候只要调整一些参数就可以达到不错的效果。

  在工作中继续保持学习

  到 了 2016 年一月份,我想继续投入更多时间在机器学习上。于是我向 manager 请求在工作时间来学习机器学习,manager 同意了我的请求!我很高兴,还写了一篇文章关于如何利用工作时间来提高自己的技能:《How To Setup A Learning Routine At Work》

  于是,我继续了我的学习。那时我已经对神经网络有了基本的理解了,我希望能够进一步去学习深度学习。

  令我失望的 Udacity 深度学习课程

  我第一次接触深度学习是 Udacity 的深度学习课程,不过这个课程让我非常失望。每一集的视频内容质量还不错,但是每一集实在是太短了,地主坑农民啊。

  而且课程里采用的 IPython Notebook非常难使用,我花了大多数时间来调试代码错误,这直接毁了我的学习激情。于是在学了几次后,我直接放弃了。

  当然,我并不是说 IPython Notebook 不好,只不过 IPython Notebook 对于初学者的我来说实在是个噩梦。

  超赞!斯坦福大学-自然语言处理中的深度学习

  很幸运,我随后发现了斯坦福大学的课程 CS224D并决定去尝试一下。这个课程非常赞!虽然它讲的内容有点难度,但我再也不用去持续不断 debug 代码问题了。

  而且,他们还提供了答案代码,每次我搞不懂时就去读答案,这也帮助了我理解一个问题是如何一步步被解决的。

  虽然我还没有完全学完这套课程,但它大大扩展了我在自然语言处理和神经网络方面的知识面。

  不过,这个课程不是那么容易。有一次,我意识到了自己必须要一位大牛来帮我,于是我花了 40 刀每小时请了一位博士学生来做我的家教,帮我讲解遇到的问题,形成整体的理解。这位家教帮我扫清了很多知识上的漏洞。

  经验:可以考虑花 50 刀每小时的金钱来换取一位优秀的机器学习老师。如果你资金上宽裕,那一定值得这样做。

  而且,我的公司 Xeneta 最近招了一位数据科学家,他有数学硕士学位。因此每次我遇到线性代数、微积分或机器学习的问题时就会向他请教。所以,尽可能让公司内部的资源帮助你的学习。

  使用机器学习的知识来改进我们公司的销售评估。

  学习了半年多以后,我认为我已经做好准备在实际应用中了。然后,我使用我们公司的一些描述信息数据,写了一套算法来评估销售人员的业绩。这套算法也为我们公司的销售人员带来了极大的高效率。

  这段学习过程虽然很长,但是也不算太慢。因为当我刚开始一周的学习时,并没有想到我在一年之内就能掌握,并且还运用到实际项目中。

 

  这样的方式我相信大部分人都可以像我一样学的会,而且是十分有用的学习方式。

 

原文链接:软盈平台

  • 打赏
  • 点赞
  • 收藏
  • 分享
共有 人打赏支持
粉丝 0
博文 8
码字总数 7672
×
盈思创通科技
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: