在机器学习领域初学者最常犯的 5 个错误以及如何避免它们的方法

偏执的太偏执、 2022-09-13 04:03 140阅读 0赞

### 文章目录 ###

*  内容介绍
 *  不要从理论开始
 *  不要研究所有的机器学习
 *  不要摆弄算法
 *  不要从头开始一切
 *  学习工具不要贪图最新

# 内容介绍 #

我帮助初学者开始机器学习。但一次又一次地在心态和行动上看到同样的错误。

在这篇文章中，您将发现我认为初学者在开始机器学习时出现失误的 5 种最常见方式。

我坚信，任何人都可以开始，使用应用机器学习并做得很好。希望您能在下面的一个或多个陷阱中认出自己，并采取一些纠正措施以重回正轨。  
![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]

# 不要从理论开始 #

传统的机器学习教学方法是自下而上的。

1.  努力学习数学背景。
2.  努力学习机器学习的理论。
3.  努力从头开始实现算法。
4.  迷茫阶段。
5.  最后开始使用机器学习（你的目标！）。

这种方法很慢而且很难（专为想要扩展最新技术的学者而设计，不是为想要结果的从业者设计的）

**陷阱**

如果您想或说出以下内容，您就知道自己陷入了这个陷阱：

1.  我需要先完成这门线性代数课程。
2.  我需要回去攻读博士学位。第一的。
3.  我必须先阅读这本教科书。

**建议**

学习 4 年的数学或深奥的算法理论如何让你到达你想要的目标？你更有可能停下来，失败。

解决方法是翻转模型。

如果机器学习对市场的宝贵贡献是一组准确的预测，那么学习如何对问题建模并做出准确的预测。从这里开始。

然后真的擅长运用它。

如果需要，请阅读、窃取、利用理论，但仅限于为您的目标服务。只有当它让你更好地交付价值时。

# 不要研究所有的机器学习 #

机器学习是一个非常大的研究领域。

它是计算机学习过程的自动化，与人工智能有很深的重叠。

从深奥的学习理论到机器人技术。该领域是巨大的。

这个领域太大了，你无法承担所有。

**陷阱**

如果您有以下想法，您就知道自己已经屈服于这个陷阱：

1.  我需要了解新网站上提到的每一项新技术。
2.  我需要先学习计算机视觉、自然语言处理、语音等。
3.  我需要知道一切。

**建议**

选择一个小角落并专注于它。然后再次缩小范围。

机器学习最有价值的领域是预测建模。从数据创建模型以进行预测。

接下来，专注于一种与您最相关或最有趣的预测建模。

然后坚持下去。

也许你是通过技术来选择的，比如深度学习。或者您可以按问题类型进行选择，例如推荐系统。

也许你不确定，所以随便选一个。变得优秀或至少精通。

然后，稍后，绕回另一个区域。

# 不要摆弄算法 #

机器学习实际上是关于算法的。

有很多算法。每个算法都是一个复杂的系统，它有自己的小研究领域。它有自己的生态系统。

迷失在算法中的人称之为学者，这个并不是大众的目标。

**陷阱**

如果您发现自己说：

1.  在我使用它之前，我需要知道它为什么有效。
2.  我需要先深入了解超参数。
3.  我需要在调整时解释原因和结果。

**建议**

算法不是结果。它们是达到结果的手段。

事实上，机器学习算法是一种商品。

把它们换掉。针对你的问题尝试大量的方法。对它们进行一些调整，但继续前进。

您可以了解有关算法的更多信息以获得更好的结果，但要知道何时停止。

使用系统的过程。设计调优实验并自动执行和分析。

机器学习是关于算法的良好使用，但应用机器学习不仅仅是摆弄算法。

专注于从每个项目交付结果的目标，即一组预测或可以实现它们的模型。  
![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]

# 不要从头开始一切 #

您可以从从头开始实现算法中学到很多东西。

有时您甚至需要实现一种技术，因为没有合适或可用的实现。

但是，通常情况下，您不必也不应该这样做。

**陷阱**

如果出现以下情况，您就会陷入这个陷阱：

1.  您正在编写代码来加载 CSV 文件（到底是什么！？）
2.  您正在为线性回归等标准算法编写代码。
3.  您正在编写用于交叉验证或超参数调整的代码。

**建议**

停下来。

使用由数以万计或数十万其他开发人员使用的通用库，该库处理所有边缘情况并且已知是正确的。  
使用高度优化的库，从硬件中压缩每个最后一个周期和每个最后一个字节的内存。  
为您自己的项目使用图形用户界面，并完全避免代码。  
每次你想使用它时都实现它是机器学习入门的一种非常缓慢的方式。

如果您是为了学习而实施，那么对自己诚实，并将其与学习如何通过应用机器学习交付价值分开。

# 学习工具不要贪图最新 #

有很多很棒的机器学习工具。

事实上，出色的工具、数据可用性和快速的硬件是我们看到机器学习复兴的原因。

但是，您可能会陷入跳到偶然发现的每个新工具的陷阱。

**陷阱**

如果你发现自己，你就陷入了这个陷阱：

1.  使用您听说的每个新工具。
2.  发现自己每周或每月都在学习一种新工具或语言。
3.  学习一个图书馆并把它抛在后面去一个新的图书馆。

**建议**

学习和使用新工具。

但要有战略眼光。

将新工具集成到您解决机器学习问题的系统流程中。

如果您选择大型主要平台之一并坚持使用它，您在解决问题时会更有效率，至少直到您熟练或精通它为止。

还有其他工具，如果这是您所在的领域，还有更多专业工具。

跟随别人的脚步是业余爱好者和专业人士之间的区别。

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/63f854c9a20542b19f79115d1f47a47a.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/183bf659142c4a0db1219c5bf884dce6.png