我花了一年时间来学机器学习

我花了一年时间来学机器学习

为了把大家从越来越多的技术水文中拯救出来，“大公司技术博客”将良心推送国内外大公司的优质干货文，如Facebook, Google, Medium, GitHub（嗯，我知道很多国外的文章你点不开，或者是英文的你懒得看）等。

技术创新、深度研究、未来趋势，这里都有。

当然了，这么说无非就是希望你点下 关注。

文章介绍

大家都知道 AI 的发展前景非常好，例如 Google 成为了一家 AI First 的企业，越来越多的开发者开始关注并学习机器学习。因此，po 主特意找来这篇文章，分享下如何寻找适合入门者的在线学习资源，如 Udacity、Coursera、斯坦福大学课程等，并告诉大家如何避免其中的一些坑。
这篇文章来自 Per Harald Borgen，在 Medium 上获得了 2.7k 的赞。
这位大大最初在 Hacker News 上了解并对机器学习产生兴趣，然后花费了近一年时间，从入门机器学习到在实际项目中应用。期间利用 Udacity、Coursera、Kaggle竞赛、斯坦福大学课程等多种资源来进行学习和训练，也踩了不少坑。
下面是正文。

---

一年前我写过一篇文章《Machine Learning in a Week》，那时我花了五天的时间学了一些机器学习基本概念，算了入了门。从那之后，我开始利用业余时间，持续学习了一年时间，现在我已经能实际项目中应用了机器学习这门技术。

对我来说，我的本职工作需要我去学习机器学习，而这门技术恰好又是我感兴趣的，这真的非常赞。

我之前一直认为，只有机器学习领域的硕士或博士才能应用这门技术，但现在我发现这种想法并不正确。

真实情况是，入门机器学习并不需要多么高深的数学知识，而且你也不需要非得拿个研究生学位才能深入研究机器学习。

这篇文章里我想分享一下一年来我的学习心得，希望对大家有帮助。

入门：Hacker News 和 Udacity

我对机器学习的兴趣始于2014年，当时我在阅读 Hacker News 上的文章，文中提出了一个思想：我们可以提供大量数据来给机器去学习，这个思想深深吸引了我。当时的我只是个普通的程序猿，做过几个小的项目。

于是我当时开始去学习 Udacity 上的 Supervised Learning （监督学习）课程，同时也会阅读各种机器学习相关的文章。

这些课程和文章让我对机器学习的概念有了一定的了解，但并没有培养实际的技能。我并没有看完 Udacity 的课程，就像我也很少能看完 MOOC 上的课程。呵呵。

未预期完成 Coursera 上的机器学习课程

在 2015 年一月，我加入了位于伦敦的一个 Founders and Coders 训练营，希望借此机会成为一名机器学习开发者。那时我和几个基友一起学习，每周二晚上，我们一起看 Coursera 上  Andrew Ng 的机器学习课程：https://www.coursera.org/learn/machine-learning

这个课程有点碉堡了，我从中学到了非常多。但是，它对于初学者而言还是有点难度。我当时也是反复多次看视频才能理解其中的概念。其中的 Octave 变成任务非常的有难度。在几周的学习中，由于其本身的难度不小，不少学员陆陆续续放弃。最后，我也放弃了。

现在回想下，我当时应该去找一门实践性更强的课程，最好让我们应用某些机器学习 library 来做一些编程实践，如果允许使用一门我已知的编程语言就能好了。

一边学习新语言，一边学习机器学习算法，这样的学习方式对于新手来说有点不太现实。

如果我再重新学一遍，我会先从 Udacity 的机器学习入门课程开始，因为这个课程更加简单，而且是使用 Python 和 Scikit 工具。这样子的话，会学得更加轻松，培养自信，学习起来也更有趣。

Intro to Machine Learning Course | Udacity https://www.udacity.com/course/intro-to-machine-learning--ud120

经验值: 先从简单、实用的方式来开始学习，而不是一上来就学习难点和纯理论。

一周沉浸式训练

在 Founders and Coders 我做的最后一件事是一周魔鬼训练：完整花费一周的时间投入到机器学习上，并利用我掌握的机器学习知识来解决一个实际问题。

这一周我做了下面几件事：

• 学习 Scikit Learn

• 针对 真实世界数据集 采用机器学习处理

• 编写 线性回归 算法代码（基于 Python）

• 做一些自然语言处理

那一周是我经历过的最深入的学习曲线。感兴趣的话可以读一下这篇文章《Machine Learning in a Week》https://medium.com/learning-new-stuff/machine-learning-in-a-week-a0da25d59850

经验： 沉浸式地把自己投入去学习是非常高效的。

不顺利地神经网络学习

在我完成了伦敦的 FAC 训练营并会到挪威后，我尝试再用一周的沉浸式训练来学习神经网络技术。

不过这次，我失败了。

很简单，每天花完整的 10 个小时来学习并编程很容易受到各种干扰。我才发现，自己低估了当时在 FAC 训练营集体学习的重要性了，有同伴一起学习，往往效率会高很多。

经验：在学习有难度的知识技能时，尽可能找一个积极向上的环境围绕自己。

但是，不管怎样，我至少入门了神经网络，并能缓慢地理解其中一些概念。到了2016年7月，我开始编写自己的神经网络代码。虽然那份代码写的非常蹩脚，我甚至都不好意思拿出来，不过，它确实基本实现了神经网络的功能。这也表明我大致理解了 backpropagation 反向传播算法 和 gradient descent 梯度下降算法。

在 2015 年下半年，我的学习进度有所下降，因为我重新换了工作。这期间我的主要成长是从非向量化神经网络实现到向量化实现。

在 2015 年底，我写了一篇总结文章介绍了我在神经网络的学习进展：《Learning How To Code Neural Networks》https://medium.com/learning-new-stuff/how-to-learn-neural-networks-758b78f2736e

尝试 Kaggle 算法竞赛

在 2015 年圣诞节期间，我决定尝试下 Kaggle 测试［Kaggle是一个数据建模和数据分析竞赛平台］。于是我花了很多时间来实验各种算法来解决Homesite Quote Conversion, Otto Group Product Classification 和 Bike Sharing Demand 问题。

Kaggle 是一个很赞的平台，它上面提供丰富的数据集，而且你能看到你的算法的实际运行性能。

这段期间我主要学会了不断迭代算法，来改善试验结果。而且在做机器学习时，我也学会了相信我的代码逻辑，很多时候只要调整一些参数就可以达到不错的效果。

在工作中继续保持学习

到了 2016 年一月份，我想继续投入更多时间在机器学习上。于是我向 manager 请求在工作时间来学习机器学习，manager 同意了我的请求！我很高兴，还写了一篇文章关于如何利用工作时间来提高自己的技能：《How To Setup A Learning Routine At Work》https://medium.com/xeneta/how-to-gain-new-skills-at-work-923bb088a352

于是，我继续了我的学习。那时我已经对神经网络有了基本的理解了，我希望能够进一步去学习深度学习。

令我失望的 Udacity 深度学习课程

我第一次接触深度学习是 Udacity 的深度学习课程，不过这个课程让我非常失望。每一集的视频内容质量还不错，但是每一集实在是太短了，地主坑农民啊。

而且课程里采用的 IPython Notebook非常难使用，我花了大多数时间来调试代码错误，这直接毁了我的学习激情。于是在学了几次后，我直接放弃了。

当然，我并不是说 IPython Notebook 不好，只不过 IPython Notebook 对于初学者的我来说实在是个噩梦。

超赞！斯坦福大学－自然语言处理中的深度学习

很幸运，我随后发现了斯坦福大学的课程 CS224D （http://cs224d.stanford.edu/syllabus.html）并决定去尝试一下。这个课程非常赞！虽然它讲的内容有点难度，但我再也不用去持续不断 debug 代码问题了。

而且，他们还提供了答案代码，每次我搞不懂时就去读答案，这也帮助了我理解一个问题是如何一步步被解决的。

虽然我还没有完全学完这套课程，但它大大扩展了我在自然语言处理和神经网络方面的知识面。

不过，这个课程不是那么容易。有一次，我意识到了自己必须要一位大牛来帮我，于是我花了 40 刀每小时请了一位博士学生来做我的家教，帮我讲解遇到的问题，形成整体的理解。这位家教帮我扫清了很多知识上的漏洞。

经验：可以考虑花 50 刀每小时的金钱来换取一位优秀的机器学习老师。如果你资金上宽裕，那一定值得这样做。

而且，我的公司 Xeneta 最近招了一位数据科学家，他有数学硕士学位。因此每次我遇到线性代数、微积分或机器学习的问题时就会向他请教。所以，尽可能让公司内部的资源帮助你的学习。

利用机器学习知识来改进我司销售评估

在完成了大半年的学习后，我觉得自己已经准备好在实际工作用应用了。于是，我利用公司的描述信息数据，训练了一套算法来评估销售人员的业绩。这套算法最重为销售人员带来了极大的效率提高。

你可以读我之前写的文章《Boosting Sales With Machine Learning 我们如何应用自然语言处理技术来评估销售负责人》https://medium.com/xeneta/boosting-sales-with-machine-learning-fbcf2e618be3，代码开源在 GitHub：https://github.com/xeneta/LeadQualifier

这段学习旅程非常的漫长，但是也还算快。毕竟当我最初启动一周沉浸式训练时，我并不抱多大期望自己能在一年内掌握并应用到实际场景中。

但这样的学习方式百分百能行得通，如果我能学会，那每个人都能学会。

---

 

po主时间

想学机器学习的开发者一般都会首先找 Udacity 或者 Coursera 上的课程，不过，并不了解这些课程是否适合初学者，盲目的学习只会频繁受挫直到丧失兴趣，因此，可以好好了解下作者踩过的坑，好好规划自己的学习路线。

对了，po主花费一个半小时时间阅读，搜索，编辑。

 

 

相关阅读:
lombok 简化 Java 代码
java集合之ArrayList
java集合概述
NOIP 2017 逛公园
NOIP 2017 时间复杂度
NOIP 2017 奶酪
NOIP 2013 货车运输
NOIP 2012 疫情控制
NOIP 2015 运输计划
NOIP2014 联合权值