第100步 项目完结

一、机缘

终于，这个专栏：《100 Steps to Get ML》—JET学习笔记，也算是整理完了。耗时不到两年半，中间也停更了大半年，忙别的去了。

最初是发在自己的公众号上，从今年开始同步更新到CSDN论坛。

以下是当初专题写作的初衷，来回忆一下：

Siraj Raval在YouTube发起了一个挑战赛：#100DaysOfMLCode，号召大家行动起来，每天至少花费1小时的时间来学习机器学习（ML）知识，连续坚持100天，根据1000万小时原则，就能够掌握ML这一门工具。这个编程的项目已经火爆GitHub（3000多标星）和Twitter，截止2022年9月，更新到了52期。

这个项目有三点友好之处：

① 精美且通俗易懂的学习图片

② 配套的代码，且带有详细注解

③ 相应的数据集

献上项目地址：https://github.com/Avik-Jain/100-Days-Of-ML-Code。

由于太过火爆，有大佬已经同步更新成中文版的《机器学习100天》，由MLEveryday提供，地址在此：https://github.com/MLEveryday/100-Days-Of-ML-Code。

本人本硕博均是流行病与卫生统计专业，学习ML多是为了分析临床大数据，解决临床问题。一开始也是跟着#100DaysOfMLCode项目开始学，遇到不懂的知识点或者代码报错踩坑，就去CSDN论坛学习充电和寻找解决方法。

现在打算把学习笔记整理发出，一个是总结知识，归置代码，留作纪念；二是为师弟师妹以及ML爱好者提供一点点借鉴，毕竟前人踩过的坑，后人可以踩着前人过坑嘛；三是为临床医生提供一个通俗易懂的ML建模流程，基于手头上的临床数据能够快速上手ML建模。

基于以上初衷，本学习计划偏向于实战和临床应用，因此不会过多涉及高深的理论（其实深的我也不懂，嘻嘻嘻），开门见山。不过，ML入门确实需要一定的时间和精力，个人觉得相比较于卫生统计学，ML的门槛还是挺高的。因此，本学习笔记暂且叫做《100 Steps to Get ML》《100步入门机器学习》，鉴于每个人知识背景、时间和精力不同，有些人一天能学几天的知识量，有些可能几天就学一天的知识量，所以本人偏向于把整个知识点分步，而不是分天，根据自身条件自行食用。当然，一天一步甚好，循序渐进。

学习笔记初步设想的框架：（1）跟着#100DaysOfMLCode项目把基本的ML分类模型逐一介绍，包括最基本的理论原理和代码实操。（2）复现一篇基于临床数据ML建模的SCI论文（当然是我自己的）。（3）介绍ML回归模型，重点在于时间序列预测模型在传染病预测中的应用，包括传统的ARIMA模型、GRNN模型，新兴的LSTM模型等。（4）复现一篇基于ML回归模型预测传染病发病率的SCI论文（当然还是我自己的）。（5）介绍深度学习图像识别技术，也就是CNN及其各种改进网络。

再次申明，主要是实战为主，主要是面向医学背景的同仁！

二、收获

在我创作的旅程中，我收获了许多宝贵的经验和成就。首先，我感到非常欣慰的是我的作品得到了不少粉丝的关注。在CSDN上，从开始时的几个人，到现在已经有五千多粉丝在追踪我的创作。虽然距离百万粉丝博主还有很大差距，但是这些粉丝的支持和鼓励是我继续前进的动力。

其次，我也收到了大量的正向反馈。我的作品阅读量突破了十二万大关，获得500多次收藏，代码片获得1200多次分享。此外，还获得了2023年城市之星南宁市TOP3和2023年新星奖。这些数字和荣誉不仅证明了我的作品受到了广泛的欢迎，也让我对自己的创作能力有了更深的认识和信心。

三、日常

教员说：“我们是靠总结经验吃饭的。”

这一点我越来越赞同。创作已经成为了我生活的重要一部分，它不仅是我表达自我、分享观点的方式，也是我学习新知识、提升技能的途径。每当我完成一篇文章或一个项目，我都会有一种成就感，这让我更加热爱创作。

然而，我也必须承认，在有限的精力下，平衡创作和工作学习并不容易。作为一名青椒，我需要在满足工作职责、完成学业任务与投入创作之间找到一个平衡点。为了实现这个目标，我制定了详细的时间管理计划，将我的一天分为几个时间段，包括工作、学习、休息和创作。

我一般是利用碎片时间进行创作，比如在中午下班时间、晚上睡前等。这样，即使在忙碌的日常生活中，我也能保持创作的热情和动力。

创作和我的工作、学习形成了一种互补关系。虽然有时候会感到压力，但我始终相信，只要合理安排时间，我就能在追求事业和学业成功的同时，享受创作带来的乐趣。

四、成绩

据我所知，《100 Steps to Get ML》—JET学习笔记中的机器学习分类部分，已经协助6位研究生发表了至少6篇SCI论文，其中包括中科院一区的文章。基于图像分类系列，也发表了1篇2区的SCI文章（惊喜的是，是无需修改直接接收的），这可能得力于我把机器学习分类建模与临床问题做了有效的结合，因此，文章并不是千篇一律的套路。

看到大家使用自己的代码和思路，并取得了成果，还是很欣慰的。

借鉴教员在《实践论》的理论，从实践到理论，再返回实践，如此循环，越来越接近真理。我自己总结的思路和路径，如果大家能根据它来复现发文章，那么说明我的思路是对的。独乐乐不如众乐乐嘛，这可能才是内啡肽式的快乐吧。

假期末也收到一个好消息，今年国自然青年基金终于中了，心中的石头放下咯。经常有人问我，为啥又搞机器学习，又搞基础研究呢？两者似乎八竿子打不着，其实我觉得它们在本质上是相通的，教员说过嘛，对立统一，两个领域的思维看似不同，其实也有互补统一的地方，这种东西得自己悟了。现在提倡的交叉学科其实也是这个道理吧，我现在尽量要求自己从哲学的角度去观察和思考它们，找到一些最底层的根本规律，为我所用，感觉有不少收获。推荐大家好好研究教员的《矛盾论》，大有启发。

五、下一步计划

《100 Steps to Get ML》只算是入门而已，未来还有很多要学习的。因此，未来打算分成几个专题分开学习：机器学习分类、机器学习回归、图像目标识别、图像目标检测等等。此外，也适当分享一些自己利用机器学习做的项目、发表的文章等等。

永远保持好奇心，活到老学到老，与时俱进，榨油！！！