經常聽到這樣的話：
“我是一名軟件開發工程師，閱讀過一些關於機器學習方面的書籍和博客文章，也學習過一些在線的關於機器學習的公開課。但是，我仍然不知道怎麼應用到工程實踐中……”
在這一篇文章中，我分享一下對這個話題的深入思考：
- 你會發現傳統的學習機器學習的方法，對你並不起作用；
- 你會發現如何更好的理解所有的模型；
- 你會發現我的簡單而高效的方法，對你在工程中應用機器學習很奏效。
- 熱愛機器學習的軟件工程師
你是一名軟件開發工程師，現在，機器學習、大數據很熱門、快速增長，你想進入這個領域。
你閱讀過一些關於機器學習方面的博客，現在，你想做的更深入一點，但是，大部分書籍和論文，要麼是側重理論研究，要麼是側重算法、數學公式推導。
你可能參加過一些在線公開課，比如Coursera、Edx，但是，除了完成課後練習，獲得畢業證書，對你的工程實踐來說，也幫助不大。
你可能參加過一些競賽，比如，Kaggle，使用過一些小型的數據集。最大的問題是，你不能把書籍、論文中學到的理論知識和實際工程問題連接起來。那麼你應該怎麼做才能突破這個障礙？
- 機器學習工程師
當你思考未來，你掌握了目前最熱門的機器學習，你的工作將會發生什麼樣的變化？如果，在你的日常生活中，可以熟練應用機器學習的技能，你的生活將會發生什麼改變？
- 傳統的方法是完全錯誤的
試想一下，這種“自下而上”教授機器學習的方法，是嚴格而且系統化的。聽起來表面上是正確的，它怎麼可能是錯誤的呢？
- 自下而上的方法
假如你原來對機器學習很感興趣，但是，學完那些晦澀難懂的理論，枯燥無謂的數學推導，你對機器學習的興趣大打折扣，而面對實際的問題，你又不知道如何入手？對開發更智能化的系統畏懼。
- 最佳的解決方法
與計算機科學一樣，它不能只是自上而下轉換模型和教授相同的材料。
究其原因，就像計算機科學一樣，它們從來不討論涵蓋軟件開發和交付的實際問題。機器學習課程和書籍，僅僅停留在算法討論層面。
你需要一種“自上而下”的學習機器學習的方法。這種方法是，專注於你實際想要的結果，藉助合適的機器學習工具解決你的實際問題。
- 可以重複實驗的系統性流程
一旦你瞭解一些工具，簡單的調用裏面的算法，然後，你就認爲完成了任務。這可能是一種很危險的想法。
你怎麼知道你做了什麼，你怎麼知道結果好麼？你怎麼知道結果是建立在可靠的數據集上的呢？
當你解決實際機器學習問題時，你需要系統化。這是一個項目，就像軟件項目一樣，一個規範化的流程，可以實現高質量的、結果可重複性的項目。
考慮這樣一個流程，比如：
- 能引導你從端到端，從分析實際問題，到解決實際問題、到模型的部署。像軟件開發一樣，從PM提出產品需求到RD開發再到QA測試上線一樣，它是一個標準化、規範化的流程。
- 一個循序漸進的過程，這樣你永遠知道下一步該做什麼，不知道下一步做什麼，對項目而言是很危險的。
- 一個可以保證好的結果的流程，這對於一個項目而言是很重要的，它的結果是需要可信、可解釋的。
- 與具體使用的工具、使用的編程語言、使用的算法沒有關係，新工具會誕生、新算法會出現。
下面列舉一些常用的流程，有些已經過時，但是，根據你的需要，選擇合適的處理流程。比如：
- Knowledge Discovery in Databases (KDD)
- CRISP-DM
- OSEMN
- others…
- 選擇最適合你流程的工具
機器學習工具和庫，比較多，更新比較快，選擇一個最合適你工作流程的工具，首先，調研工具和庫的優缺點，根據你目前要解決的問題，選擇合適的工具。
通常，你去諮詢你的朋友，他們建議你選擇最新的工具。但是，我喜歡用不同的工具，解決不同的實際問題。
比如，在這些場景下，我建議選擇這些工具：
- 初學者&緊急任務 我建議選擇，Weka這樣的工具，對於初學者來說，比較容易上手，而且是圖形化操作，方便快捷，集成許多算法。對於，特殊、緊急的任務需求也是不錯的選擇。
- 小數據量、高精度任務
我建議選擇，像R的工具包，它是統計學家最喜歡的工具包，裏面集成好多，最新的學術的算法。Python的機器學習庫，scikit-learn也是目前和熱門的機器學習庫，它的社區比較活躍，也有完整的可以參考學習的文檔，它可移植性也強，可以部署到實際生產環境中。
- 大數據時代的智能系統
我建議選擇，像mahout,Spark這樣的工具，它是分佈式處理，對於海量數據處理是一個不錯的選擇，它的缺陷是，算法迭代速度慢，機器學習庫還不是很完善。
實際上，在工作中，這些工具都有需要：
- 針對實際問題，開發小項目
你應該通過解決一些實際的問題，反覆的練習，熟悉工具包，更好的使用自上而下的方法，提高你在解決問題中應用機器學習的技能。
首先，你應該選擇一些實際生產環境好的數據集，如果，沒有，選擇一些公開的數據集也不錯，比如：UCI Machine Learning Repository、KDD比賽提供的數據集。
然後，你申請GitHub帳號，分享自己的項目，對提高自己也是不錯的選擇。在你的博客中，指明你的github鏈接。
對程序員來說，這是一個很好的方法：
你不需要寫太多的代碼，因爲有Weka這樣的工具包；你不需要懂太多的數學理論知識，已經有實現好的庫；你不需要很高的學歷，因爲這不是做科研工作；你不需要很大的數據集，Excle的數據就可以；你不要很高性能的計算機，有一臺筆記本就可以；你不需要大量的時間，你每天抽出半個小時就OK。
我經常給人們提上面這些建議，但是，實際中，還是犯這些錯誤，希望你能避免：
- Not Taking Action：
- Picking Problems that are TooBig：
- Implementing Algorithms fromScratch：
- Not Sticking to a Process：
- Not Using Resources:
- 下一步你應該幹什麼？
- Select a process.
- Select a tool or platform.
- Select your first dataset .
- Report back in the comment below andexecute!
下面一幅圖結束本文：
希望通過這篇文章，解答大家對機器學習的畏懼和疑惑