机器学习准备工作

AI对于机器学习提出的建议

问：怎样才能系统学好机器学习这门学科？

要系统地学好机器学习这门学科，可以遵循以下步骤：

 1. 学习基础数学知识：机器学习涉及到的数学主要有线性代数、概率统计、微积分等。这些基础知识对于理解机器学习算法原理十分重要。
 2. 学习编程语言：熟练掌握一门编程语言（如Python）是学习机器学习的基础。Python的生态系统中有很多用于机器学习的库，例如Scikit-learn、TensorFlow、Keras、PyTorch等。
 3. 学习数据处理与可视化：数据预处理和可视化分析是机器学习的重要组成部分。熟悉Python的数据处理库（例如Pandas、NumPy）和可视化库（例如Matplotlib、Seaborn）对于机器学习很有帮助。
 4. 学习机器学习算法：学习各种机器学习算法的原理，例如线性回归、逻辑回归、支持向量机、决策树、神经网络、聚类、降维等。了解这些算法的优缺点、适用场景以及如何调整模型参数。
 5. 参加在线课程：有很多高质量的在线课程可以帮助你系统地学习机器学习，例如Coursera的《机器学习》（吴恩达教授）、Google的《机器学习速成课程》等。
 6. 阅读书籍：阅读经典的机器学习书籍，例如《Pattern Recognition and Machine Learning》（克里斯托弗·毕晓普）、《Deep Learning》（伊恩·古德费洛、乔什·本吉奥、亚伦·库维尔）等。
 7. 实践项目：通过实际项目来巩固和应用所学的知识。可以参加Kaggle等数据科学比赛，或者为自己的兴趣领域找到一个实际项目。实践是检验学习效果的最佳途径。
 8. 学习深度学习与强化学习：熟悉深度学习和强化学习的基本概念和技术，例如卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、Q学习等。这些技术在图像识别、自然语言处理、游戏AI等领域取得了很大的成功。
 9. 持续学习：机器学习是一个快速发展的领域，需要不断学习新的技术和方法。关注顶级会议（如NIPS、ICML、ACL等）的论文，学习最新的研究成果。同时，多与同行交流，参加线上或线下的技术分享活动，拓宽自己的知识面。
 10. 考虑高等教育：如果你有兴趣进一步深造，可以考虑攻读计算机科学、统计学或相关领域的硕士或博士学位。这将有助于你更深入地理解机器学习的理论和方法，同时也为你的职业发展提供更多机会。

通过以上这些步骤，你将能够系统地学好机器学习这门学科，并在实际工作中应用所学知识。

问：每学习一个算法模型后，我觉得自己就只是了解了这个模型是什么、什么时候该用，但我对具体的怎么用很模糊，也很容易忘掉一些函数方法，这要怎么改善

要改善这个问题，可以采取以下策略：

 1. 动手实践：对于每个学习到的算法模型，尝试用编程实现它，并在真实数据集上进行训练和测试。这可以帮助你加深对模型的理解，并熟悉具体的使用方法。
 2. 保持笔记：在学习过程中，记录关键概念、函数方法和实现步骤。当遇到类似问题时，可以回顾笔记，加深记忆。
 3. 参考代码：查找和学习其他人编写的代码实现，了解不同的实现方法和最佳实践。这可以提高你的编程技能，并帮助你更好地理解模型的细节。
 4. 复习与巩固：定期回顾所学习的模型，特别是在学习新模型时，尝试比较不同模型之间的异同，以便加深理解。
 5. 参加讨论和交流：加入机器学习社区，与他人分享你的学习经验和项目实践，参加线上或线下的讨论和活动。这样可以拓宽视野，为你提供新的想法和解决问题的方法。
 6. 教授他人：尝试向他人解释和教授所学的算法模型。教学相长，这会迫使你更深入地思考，并巩固你的知识。
 7. 建立个人知识库：整理并储存学习资料、笔记和代码实例，以便日后查阅。这些资料可以包括文章、书籍、博客、教程、代码库等。

通过以上策略，你可以更好地掌握机器学习算法的具体应用，并提高自己的实践能力。同时，不要担心忘记一些细节，因为在实际应用中，你总是可以查阅文档和参考资料。关键是理解模型的原理和适用场景，以及如何根据实际问题调整和优化模型。

问：如果我不是这方面的专业人员，只是在某个课题上需要用到某个模型，我需不需要特别深入地去了解其他模型

如果你只是在某个课题上需要用到某个特定的模型，那么你不一定需要深入了解其他模型。
但是，了解一些基本的机器学习概念和常见模型的特点仍然是有益的。
因为这有助于你更好地理解你所使用的模型，并在实际应用中做出更明智的决策。
以下是一些建议，可以帮助你在使用特定模型时取得更好的效果：

1. 理解所使用模型的基本原理：了解模型的工作原理、优缺点以及适用场景。这将有助于你正确地应用模型，并避免一些常见的陷阱。
2. 学习模型的调整方法：了解模型的关键参数以及如何调整它们以获得更好的性能。实践中，模型的调整往往对结果有显著影响。
3. 数据预处理：了解如何对数据进行预处理，以便更好地适应模型的输入要求。数据预处理包括特征选择、特征缩放、缺失值处理等。
4. 评估模型性能：了解如何使用合适的评估指标来衡量模型在实际任务中的性能。这可以帮助你选择合适的模型和参数。
5. 了解基本的模型比较方法：尽管你可能只关注某个特定模型，但了解一些常见模型之间的比较方法仍然是有益的。这可以帮助你在实际应用中更好地选择模型。

总之，你不需要深入了解所有模型，但至少要掌握所使用模型的基本原理和方法。同时，了解一些基本的机器学习概念和常见模型的特点将有助于你在实际应用中作出更合适的决策。

机器学习入门了解

参考这篇文章:机器学习入门好文 。这篇文章写得非常细致，对于刚开始学习机器学习真的是一篇非常好的科普介绍文章。

下面是一些自己对该文章的总结：

• 机器学习是一种通过利用数据(经验），训练出模型（掌握规律），然后使用模型预测（预判结果）的一种方法。
• 相关范围和领域
• 机器学习中的经典代表方法（算法）：回归算法、神经网络、SVM（支持向量机）、聚类算法、降维算法、推荐算法等（每个算法具体的概念不在这一一记录了，之后会系统学习记录）
• 人工智能、机器学习和深度学习三者之间的关系

环境准备

我个人安装好了Pycharm、Anaconda、TensorFlow等环境，其实在安装过程中出了非常多错误耗费了非常多的时间，尤其是在安装TensorFlow时，浪费了一下午加一晚上时间，电脑搞得乱七八糟。最后还是在taobao花20块钱远程安装的，1小时就搞定了。
如果不在意那些钱和无法享受安装过程的朋友（比如我），真的可以直接网上找人远程装一下就行，省事儿太多了，至少不浪费时间…

学习目标

在6、7月系统学习一下机器学习，其实没要求每个模型都学得特别好，这个东西其实不是在实践中运用上了真的很难理解并掌握。只能说先每类模型，先初步学个大概，知道是什么、什么时候用，大概咋用，一两个月也不可能成神，慢慢来吧，之后笔记就当一个记录复盘啦~加油加油！