论机器学习的正确学习姿势

论机器学习的正确学习姿势

 

策划 | 刘燕作者 | Caleb Kaiser翻译 | Sambodhi编辑 | Linda很多开发人员并没有机器学习领域的背景，在机器学习如火如荼的今天，没学过机器学习的开发人员要怎样才能学会机器学习呢？Caleb Kaiser 为我们带来了他的学习建议。
 

本文最初发表在 Towards Data Science，经原作者 Caleb Kaiser 授权，InfoQ 中文站翻译并分享。

 

如果你是一名开发人员，你可能至少对机器学习有一点兴趣。若能够靠着自学就掌握预测的算法概念，真的有点酷。

 

然而，如果你真的下定决定去学习机器学习，并遵循典型的入门建议开始学习的话，那么，在放弃学习机器学习之前，你很可能需要花上两个星期来学习线性代数和多元微积分。

 

原因在于，大多数机器学习的入门资料并不是为开发人员编写的，而是面向机器学习研究人员，这对于那些只是想用机器学习来开发产品的开发人员来说，是个问题。

 

 

你是想做产品，还是想做研究？

 

在 2000 年代后期之前，机器学习或多或少只是一个研究问题而已。当时，并没有多少公司在生产中以有意义的方式来使用机器学习。

 

因此，许多机器学习的入门资料都是从这个研究角度来编写的。这些入门资料都首先从数学的角度解释神经网络，解释机器学习背后的所有理论，比如反向转播和对抗网络。

 

即使是非大学的附属资料在某种程度上也遵循了这种模式。例如，这是直接摘自 TensorFlow 的《初学者快速入门》（Quickstart for Beginners）的一段：

来源：https://www.tensorflow.org/tutorials/quickstart/beginner

 

losses.SparseCategoricalCrossentropy 损失采用 logits 的向量和 True 索引，并为每个示例返回一个标量损失。

 

loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)

该损失等于真实类的负对数概率：如果模型确定了正确类别，则为零。

 

这个未经训练的模型给出了接近随机的概率（每个类的概率为 1/10），因此初始损失应该接近 -tf.log(1/10) ~= 2.3。

 

loss_fn(y_train[:1], predictions).numpy()

 

如果你觉得我在用诘屈聱牙的语言，那请你阅读 整篇文章（https://www.tensorflow.org/tutorials/quickstart/beginner） 看看。

 

如果你已经熟悉机器学习背后的数学知识，或者对学习机器学习很感兴奋，那么这种方法对你来说是可行的。但是，如果你主要是想用机器学习来开发某种东西的话，那么，这就可能并不是你想要的学习方法了。

 

想要用推论的方法来学习编程？这种方法就像是通过首先学习汇编语言来学习编写代码。实际上，没有哪一个开发人员是这样学习的。

 

注意：如果你以某种方式学会了使用汇编语言编写代码，我会接受你愤怒的评论，并且令我印象深刻的是，你能够在任何晦涩的 Linux 发行版上安装浏览器。

 

当你学习编程时，你很可能是通过使用高级语言编写 “hello world” 来学习的。然后，随着一点一点地向项目引入复杂性，你可以根据需要去学习越来越多的底层编程。

 

这种学习模式在开发软件的人中很成功，因为它优先考虑的是开发内容，如果你对开发推荐引擎比发表论文更感兴趣的话，那么这就是你应该如何学习机器学习的方法。

 

 

如何通过开发软件来学习机器学习

 

如果你是那种通过学习课程学习效果最好的人，那么最好的资源，或许也是这种自上而下，边做边学的机器学习方法最积极的倡导者，就是 Fast.ai 的《程序员实用深度学习课程》（Practical Deep Learning For Coders）。

 

本文并非要为 Fast.ai 打广告。但可以肯定地说，Fast.ai 的创始人 Jeremy Howard 和 Rachel Thomas 已经开设了几门课程，通过让开发人员进行实际的开发，深入研究与正在构建的项目有关的基本理论，来教授深度学习。

 

或者，如果你是那种通过自己钻研并自己动手来学习效果最好的那类人，那么开始学习机器学习和学习其他编程领域是一样的。我整理了一份庞大的项目列表，这些项目都是 对初学者友好的自然语言处理项目，你可以看看，选择一个你感兴趣的项目，然后加入进来。

 

如果你正是这样学习的，那么熟悉使用机器学习开发的好方法是：

 

1. 确定一个目标，比如，开发一个文本自动完成器，或者一个车牌识别器。
2. 找到适合你的项目的预训练模型，如 GPT-2 或 YOLOv3，这两个分别适用于上面提到的两个项目。
3. 如果你喜欢的话，甚至还可以使用 gpt-2-simple 之类的库来微调（根据你自己的数据定制）你的模型。
4. 最后，将模型部署为微服务。

 

 

一旦你将模型部署为 API，就可以像查询任何其他 Web 服务一样对其进行查询，并围绕它开发应用程序。

 

通过这种方法，你可以了解各种流行的模型架构和机器学习方法，以及它们适用于哪些应用程序。同样重要的是，你将会了解机器学习基础设施，这对于从模型中开发真正的产品至关重要。

 

 

开发与学习理论并重

 

如果你是一名工程师，你以前可能实现过某种形式的身份验证，这意味着你（希望如此）对密码进行了哈希处理。

 

在设置密码哈希时，你是否编写了自定义的哈希算法？你花了几个礼拜的时间去学习密码学？还是你只不过是使用了 bcrypt 而已？

 

类似的，当你开发你的第一个 Web 应用程序时，你是否花了几个星期的时间来学习数据库？你是自己从零开始编写程序的吗？还是使用了你最喜欢的框架附带的任何 ORM？

同样的逻辑也适用于机器学习。如果你是那种喜欢开发软件的人，那么可以从使用机器学习开发软件开始，让工具、预训练模型和机器学习框架抽象出机器学习的基本理论。然后，如果你很好奇，或者你的项目需要更多的复杂性，就深入研究，看看机器学习是如何工作的。

 

 

免责声明： 本文内容是基于我对机器学习团队的观察，而不是对该行业的学术调查。利益相关：我是Cortex 的贡献者，Cortex 是一个用于在生产环境中部署模型的开源平台。

 

作者介绍：

Caleb Kaiser，Cortex Lab 创始团队成员，曾在 AngelList 工作，最初在 Cadillac 供职。

 

 

原文链接：

https://towardsdatascience.com/dont-learn-machine-learning-8af3cf946214