学习机器学习除了兴趣还有更重要的原因，你知道多少？

喜欢ヅ旅行 2022-09-11 05:15 151阅读 0赞

### 文章目录 ###

*  内容介绍
 *  质疑你的原因
 *  你想让机器学习为你做些什么？
 *  你想用机器学习做什么？
 *  机器学习图

# 内容介绍 #

我们将探讨你为什么对机器学习感兴趣。

我们将看到一些问题，可以帮助你找到吸引你进入这个领域的根源。

我们将以一张显示“四主”的地图结束。“为什么“这样你就能确定你适合什么地方，什么资源可以瞄准。

# 质疑你的原因 #

你为什么对机器学习感兴趣？你认真考虑过这个问题吗？  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]

了解您的原因是非常有用的，因为您可以使用它作为筛选器来最佳地选择您喜欢从事的项目和任务。如果你想不出一个清楚的原因，那也是有用的，因为它可以激励你尝试一系列不同的事情，找出你喜欢或想做的事情。

由于许多原因，你可能会被吸引到机器学习中去。也许你是在回应有关大数据和数据科学的媒体和新闻文章。也许你已经在工具中或从朋友那里看到了机器学习的一瞥，你认为这很酷。可能有很多原因，但是学习机器是一项艰苦的工作。要有信心和毅力去学习那些艰难而又令人沮丧的部分，你会想要有一个坚强的为什么要背靠。

我要提出一些反问句，我想让你考虑(甚至写下)你的答案，看看哪一个最适合你。一个问题并不比另一个好–保持开放的心态。

# 你想让机器学习为你做些什么？ #

**1.解决问题**

你认为机器学习能解决的问题吗？

也许这是一个开放的商业问题，或者是工作中的一个问题。也许这是你在市场上看到的一个机会。然而，你认为机器学习是你学习和应用于一个问题的一种工具。

在这种情况下，您可能有兴趣学习提供可以快速使用的算法实现的工具。你也很有可能对使用这些工具的创造性方法感兴趣，比如你想要解决的问题的案例研究。

**2.技术成就**

掌握机器学习是成就的标志吗？

也许机器学习是一个流行的技术领域，学习新的和困难的技术和工具会让你感到非常自豪。也许你认为机器学习是你下一个巨大的挑战和成长的机会，也是一个展示你学习和掌握技术材料的能力的机会。

如果这听起来像你，你可能会对算法书籍感兴趣，在这些书中，你可以快速了解一种方法以及如何使用它，而不必深入研究最新的研究。你也很可能有兴趣完成课程，进入竞赛和自己实现算法。

# 你想用机器学习做什么？ #

**1.拓展领域**  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]  
你是否已经有一些机器学习的经验，并想扩展什么是可能的？

也许你已经到过机器学习的街区，读过一本书或者完成了一门课程。你已经找到了一个你无法放下的问题或方法，你不仅想深入研究这个方法，而且你想要突破这个方法所能做的，并且已经被证明是有能力的。

如果这让人耳熟能详，你可能会对这一主题的深入主题感兴趣，比如研究论文和专著。你也可能非常有兴趣听取专家关于这个问题的意见，以及边界的确切位置。

**2.做以前不可能做的事**  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]

你有一些机器学习的经验，你有一些领域的专业知识，你想在你的领域做一些没有机器学习是不可能的事情。这些问题不一定像“解决问题”一节中提到的问题，而是使用机器学习的经验和功能来扩展域。

您将对从数据挖掘到模式自动发现的方法感兴趣。您也很可能对类似领域的机器学习方法所做的发现和扩展的案例研究感兴趣。

# 机器学习图 #

这是对这个领域的一个粗略的简化，但是我们可以根据我们想做的工作的类型来分类学习机器学习的动机。我们可以将我们想要做的工作分类为解决机器学习或其他领域的问题。您可以将任务类型划分为从业者的任务和研究员的任务。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 3]

表按域有两行：机器学习而其他领域(如分析化学、石油开采或运输分析)。该表按角色有两列：从业者和研究员。每个框都有该域角色交集的任务类型，这是解决问题或扩展字段。表中的每个单元格都列出了对该任务感兴趣的人可能感兴趣的资源类型。

每个单元格都可以被认为是促使您更多地了解机器学习的一个原因，而资源列表可以帮助您实现这一目标。

这只是切馅饼的一种方法，但我已经考虑了好几个星期了。我在分组工作很努力，我很想听听你对此的看法，请留下评论。我很想得到一些专业人士开始戳洞在它，以便我们可以看到的优势和局限性的模式(所有的模式都错了，这只是一个程度的问题)。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/00e7d5747521422abda843fcad9fe5dc.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/2561d18ce85842bd8ce261a569273c89.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220828/b82aa98aac494433b4e0a5a77b38c733.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220828/069b695713274199910c9fc0fa1d55c0.png