机器学习感悟

    自从今年6月份写了一篇概述性的文章，中间停了5个月，也没写出一篇关于机器学习的博客。要说理由，有很多很多。但感觉不是找理由的时候了，总之就是自己在学习上缺乏了那么一点持久的毅力，心态变得比在读书时候浮躁多了。工作和生活的各种杂事和压力，有时候也有应付不过来的时候。要想静心学习，确实是一件非常幸福的事情。也非常佩服很多能静心研究的人们，他们能够心无旁骛的在自己喜欢的领域自由的去探索去研究。

    自己接触机器学习这个方向也有好几年了，开始接触机器学习是觉得很好奇的，很新鲜，那是08年的时候了。8年过去了，到现在对机器学习虽然比以前认识了很多，但是好奇心少了很多。机器学习这几年发展很快，光深度学习就最近吵的非常火，当然深度学习确实在很多应用上取得了让人触目惊心的成果。从开始的好奇到现在的熟悉，但是自己仍停留在很一般的水平，在IEEE上还是发不了自己的文章，在开源项目上没有自己的影子。虽然也看过很多牛人的文章和著名的书籍，但是看过后好像就忘了，不知道是不是过拟合造成的结果，是不是自己也过学习了，导致自己的泛化能力急剧下降，也就是自己面对实际机器学习问题，解决问题的能力下降了。看来书都多了、资料看多了，也会导致这个问题。自己深入分析这个原因，主要还是在于自己没有深入理解文献背后的本质问题，没有对机器学习相关技术的来源、前前后后等等进行深入的理解，很重要的一块是参与实践的项目太少，缺乏一定的实战经验。仔细想来，虽然看过不少资料，但是对很多资料和文献都是泛泛之读，没有深入去理解、去思考。这是一方面，另一方面，对实际业务的背景理解的也较少，记得参与过两个较大的数据挖掘项目，真正起关键作用的还是对场景和背景的深刻理解，这些方面没做好，应用数据挖掘或机器学习的技术，最后得到的效果并没有大家想象的那么好，也就是我们过于关注算法层面，而忽略了机器学习的另外一个重要层面-高质量的数据源。我想做过一些数据挖掘或机器学习的朋友都知道这个道理。也许我的一点浅浅的体会，不足挂齿。

    要说机器学习也好，数据挖掘也罢，罗马不是一天建成的，像我等资质普通的人而言，更需要持续的努力才行，才有可能去深入的理解一个事物。机器学习领域现在的应用很广，其入门的书籍和资料也非常之多，自己看过一些，如机器学习导论、机器学习与模式识别（Bishop）、机器学习实战、集体智慧编程、数据挖掘导论、数据挖掘概念与技术、模式识别、深度学习（GoodFellow）等，也看过不少IEEE Trans、ICML、JMLR、NIPS、CVPR、PAMI等上面的文章。但是就像说的一样，看的过程是挺好的，好像看懂了他们的思想，但是自己推导一下自己实现一下就不是那么容易的，所以还是要自己多去编程实现一下去体会去理解，才能深入骨髓。这样自己的水平才会提高。当然，这些还不够，真正需要熟练掌握机器学习技术，还需要多参加实际的项目训练。可以从一些较好的数据竞赛开始。多参加实际项目，让自己尽快上手。

    以上也是自己多年来的一点小小体会，希望能给大家带来一点点启发，也就足够了。也希望自己在这个领域真正深入理解起来，祝愿自己能够做出一点成绩。