程序员在掌握机器学习开始时常常所犯的5个错误

偏执的太偏执、 2022-09-12 07:58 172阅读 0赞

### 文章目录 ###

*  内容介绍
 *  机器学习不是高不可攀
 *  编写机器学习代码
 *  手动做事，行动起来
 *  重新创造共同问题的解决办法
 *  忽视数学

# 内容介绍 #

进入机器学习没有正确的方法。我们都有不同的学习方法，对于我们想要做的事情和机器学习有不同的目标。

一个共同的目标是通过快速的机器学习来提高效率。如果这是您的目标，那么这篇文章将重点介绍程序员在快速成为高效机器学习实践者的道路上所犯的五个常见错误。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_12_color_FFFFFF_t_70_g_se_x_16]

# 机器学习不是高不可攀 #

机器学习只是另一种技术可以用来创建复杂问题的解决方案。  
![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]

由于这是一个新兴的领域，机器学习通常在学术出版物和研究生教科书中进行交流。这使它看起来是精英和不可逾越的。

思维模式的转变需要在机器学习、从技术到过程、从精确到“足够好”的有效转变，但对于程序员感兴趣采用的其他复杂方法也是如此。

# 编写机器学习代码 #

从机器学习开始，通过编写代码可能会使事情变得困难，因为这意味着您至少解决了两个问题，而不是一个问题：一项技术是如何工作的，以便您能够实现它，以及如何将该技术应用于给定的问题。  
![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]

一次处理一个问题并利用机器学习和统计环境以及算法库来学习如何将一种技术应用于一个问题是非常容易的。这使得您可以相对较快地对各种算法进行抽查和调优，并对看起来很有希望的一两个算法进行调优，而不是花费大量的时间来解释包含算法描述的模糊研究论文。

实现一个算法可以被看作是一个单独的项目，在稍后的时间完成，例如为了学习练习，或者如果原型系统需要我投入运行。我建议你一次只学一件事从基于GUI的机器学习框架开始不管你是不是程序员。

# 手动做事，行动起来 #

一个过程围绕着应用的机器学习，包括问题定义、数据准备和结果的表示，以及其他任务。这些过程以及算法的测试和调优可以而且应该是自动化的。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_18_color_FFFFFF_t_70_g_se_x_16]

自动化是现代软件开发中用于构建、测试和部署的一个重要部分。在脚本数据的编写、算法的测试和优化以及结果的准备等方面都有很大的优势，以获得精确性和改进速度的好处。记住并重用专业软件开发中的经验教训。

无法从自动化开始(例如Makefiles或类似的构建系统)很可能是因为许多程序员来到机器学习的书籍和课程没有那么关注该领域的应用性质。实际上，将自动化引入应用机器学习是一种程序员的巨大机遇.

# 重新创造共同问题的解决办法 #

成千上万的人可能已经在你之前实现了你正在实现的算法，或者已经解决了类似于你正在解决的问题的问题类型，利用他们的经验教训。  
![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]

有丰富的知识解决应用机器学习。当然，它的大部分可能被捆绑在书籍和研究出版物中，但你可以访问它。做你的作业，搜索谷歌，谷歌图书，谷歌学者，并接触机器学习社区。

如果您正在实现一个算法：

*  你必须实现它吗？您能在库或工具中重用现有的开源算法实现吗？
 *  你必须从头开始实施吗？您可以对现有的开源实现进行代码检查、学习或移植吗？
 *  你必须解释规范的算法描述吗？在其他书籍、论文、论文或博客文章中是否有算法描述可供您查阅和学习？

![在这里插入图片描述][731da0faa189423f9c187cfed14a1811.png]

如果您正在解决问题：

*  你必须测试这个问题上的所有算法吗？您能利用对此或类似问题实例的研究吗？这些问题的一般类型都是建议算法和算法类运行良好的？
 *  你必须收集你自己的数据吗？它们的公开数据集或API是否可以直接使用或作为问题的代理，以便快速了解哪些方法可能执行得很好？
 *  你必须优化算法的参数吗？您是否可以使用启发式方法来配置在论文或算法研究中提出的算法？

如果您对编程库或特定类型的数据结构有问题，您的策略是什么？在机器学习领域使用同样的策略。向社区伸出援手，并寻求你可以利用的资源，以加速你的项目的学习和进展。考虑论坛和问答网站开始和联系学者和专家作为下一步。

# 忽视数学 #

你不需要数学理论开始，但数学是机器学习的重要部分。之所以如此，是因为它提供了描述系统问题和行为的最有效和最明确的方法。

![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]

忽略算法的数学处理会导致诸如对方法的理解有限或对算法的解释有限等问题。例如，许多机器学习算法的核心都是一个不断更新的优化。了解正在求解的优化的本质(函数凸)可以让您使用高效的优化算法来利用这些知识。

内化算法的数学处理是缓慢和得心应手的。特别是如果您是从零开始实现高级算法，包括内部优化算法，请花时间从数学角度学习该算法。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_12_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/eca022e757e14299b914212c434abdd2.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/aa7aca6106ac4ea28c61717bc4290620.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/483719dab2e34479b1bc745e4d7d8d05.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_18_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/8f68f12b8e594dddba00270a4d9436e5.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220828/141b073e9154485b931d6e3080ee167e.png
[731da0faa189423f9c187cfed14a1811.png]: /images/20220828/6014c61192924458ad03dcab75e39ee7.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220828/fa79506b81fc49a4bdbbcd9ecc5c3996.png