在这篇文章中,我将为初学者介绍完整的机器学习路线图。这篇文章将会有点不同。
我不会告诉你通常的事情和课程,但会带你经历现实的事件,将发生在你的ML旅程。
我将讨论一种个人秘密技术,我称之为平行征服技术。
初学者在学习机器学习时感到困惑的原因之一是他们不知道从哪里学习什么,如何学习?课程、书籍和ML算法的选项太多了。
我将与大家分享一组掌握机器学习应该采取的步骤。我将与大家分享一组掌握机器学习应该采取的步骤。
第一步:选择一种编程语言并开始!
开始学习机器学习的第一步是学习编程语言。有不同的编程语言在市场上,最适合机器学习的是Python和R。
我推荐Python。为什么?因为它很受欢迎,易于学习,为未来做好准备
使用Python,您可以轻松地切换域。Python提供了流行的框架,如用于后端开发的Django和Flask、用于GUI开发的Tkinter、用于游戏开发的Pygames等
如果你使用Python,你必须学习机器学习。Sklearn是一个用Python编写的现代机器学习库。
sklearn最好的地方是,大多数机器学习算法都是为您编写的。它有许多有用的类用于预处理数据以进行进一步分析
您还应该研究Tensorflow模块,它可以帮助您轻松构建神经网络!
第2步:学习线性代数
如果你想掌握机器学习并成为专业人士,你应该学习线性代数!
这很重要,因为如果你想以最大的灵活性调整你的模型,你需要知道它们是如何工作的,而了解线性代数是必须的!
当你开始时,你应该专注于第1步,当你遵循第1步时,你可以并行地开始学习线性代数。这就是我所说的平行征服技术。
你并行地开始两件相似的事情,专注于第一件事,而对其他任务保持相对较低的优先级。这可以帮助你保持热情和动力。
第3步:学习统计
在掌握机器学习时,对概率和统计学有一个基本的了解是很重要的。
以下是最好的资源之一: Statistics Revision Notes by MathBox
第4步:学习核心ML算法
一旦你对在学习python之后使用sklearn,您应该开始了解这些机器学习算法是如何工作的。
在使用sklearn时,ML算法是由sklearn开发人员编写的黑盒。
为了了解这些机器学习算法是如何从内部工作的,请查看:
- 梯度下降
- 斜坡
- 监督与非监督学习
- 强化学习
- 基本线性回归
- 所有类似模型的工作
- 聚类
如何读书
- 安排阅读时间
- 试着翻页寻找练习题
- 现在试着在阅读时找到这些问题的答案
- 这些是本书作者希望你关注的要点
- 尝试使用Microsoft edge的朗读功能。它工作得很好
步骤5:学习Python库
- 学习Numpy
- 学习熊猫
- 所有这些都有助于调试python/sklearn代码
步骤6:了解部署
为了用强大的后端托管机器学习模型,您需要学习Django和Flask之类的框架。
如果你想快速发布和部署你的模型,Docker和Kubernetes会帮上大忙!
如果您希望构建用于机器学习和数据科学的自定义web应用程序,Streamlit值得研究