全文共1956字，預計學習時長6分鐘
來源：Pexels
免責聲明:以下內容基於筆者對機器學習團隊的觀察，並非對行業的學術調查。
作爲人工智能的核心，機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法複雜度理論等多門學科。
如果讀者是開發人員，那麼可能對機器學習至少有一點興趣。
“嗯……能夠自學預測的算法，這個概念有點……酷。”
然而，如果你真的循規蹈矩去學機器學習，很有可能會在花兩週時間學習線性代數和多變量微積分後萌發想要放棄的念頭。
這是因爲大多數機器學習的入門材料並不是面向開發人員，而是機器學習的研究人員。
因此，對於那些只想用機器學習構建產品的開發人員來說會比較頭疼。
想打造產品，還是做研究？
在21世紀末之前，機器學習或多或少只是一個研究問題。道理很簡單，沒有多少公司在生產中以有價值的方式使用機器學習。
因此，很多機器學習的入門材料都是從這個研究角度來探討的。它首先從數學角度解釋神經網絡，解釋ML背後的所有理論，比如反向傳播和對立網絡。
某種程度上來說，非大學附屬材料甚至也遵循這種模式。例如，直接取自TensorFlow的“初學者快速入門”:
來源：TensorFlow
如果已經熟悉機器學習背後的數學理論，或者對學習它感興趣，這種方法就是可行的。然而，如果想主要使用機器學習來構建東西，那它可能不合適。
將編程作爲推論使用，這種方法好比通過先學彙編來學習寫代碼。幾乎沒有開發人員會這樣學習。
注意:如果讀者確實通過學彙編學會了代碼，那麼筆者接受憤怒的評論，並且對讀者在運行晦澀的Linux發行版上安裝瀏覽器印象深刻。
學會編碼後，讀者很可能通過使用高級語言編寫hello world實現。然後，隨着引入項目一點點複雜，便可根據需要學習越來越多的低級編程。
這種學習模式在軟件構建師中很有成效，因爲它能優化構建，如果讀者對構建推薦引擎比發表論文更感興趣，下面就是應如何學習ML。
怎樣通過構建軟件學習ML
來源：Pexels
如果讀者是那種通過課程學習最容易取得成效的人，那麼能接觸到的最好的資源，可能還有這種自上而下、邊做邊學模式的最積極倡導者，就是fastai的面向（程序員實踐深度）課程。
本文不旨在成爲fastai的大廣告，但可以說，其創始人傑瑞米·霍華德和瑞秋·托馬斯組織的幾門課程，已經通過讓學習者實際構建，深入研究當前構建項目相關的基礎理論，再教授開發者深度學習。
或者，如果讀者是那種通過自己動手做事情學習得最好的人，那麼開始機器學習和其他編程領域是一樣的。選一個聽起來很有趣的項目加入，筆者在這裏列出了初學者友好型NLP項目的列表。
假設讀者以這種方式學習，熟悉使用ML構建的好方法是:
1. 確定目標，比如建立一個文本自動完成器或者車牌識別器。
2. 找到適合項目的預先訓練好的模型，GPT-2或YOLOv3將分別適用於前面提到的項目。
3. 如果喜歡，甚至可以使用像gpt-2這樣的庫來微調(根據數據定製)模型。
4. 最後，將模型部署爲微服務。
一旦將模型部署爲一個API，它就可以像查詢任何其他網絡服務一樣查詢，並圍繞它構建應用程序。
實際上可以在 這個項目中看到該過程的實際應用，它是由一個涉及ML的工程師創建的。
通過這種方法，可以瞭解不同的流行模型體系結構和機器學習方法，以及它們適用於哪些應用程序。瞭解ML基礎設施同樣重要，而這對於從模型中構建實際產品至關重要。
一旦可以使用機器學習來構建，就要學習這個理論
如果讀者是一名工程師，就可能已經有了某種形式的認證，這意味着 讀者已經散列了密碼(筆者希望如此)。
設置密碼散列時，是否編寫了自定義散列算法？花了幾周時間學習密碼學嗎？還是剛纔用 bcrypt？
類似地，構建第一個網絡應用程序時，花了幾周時間學習數據庫嗎？從頭開始寫的嗎？或者是否使用了最喜歡的框架附帶的ORM？
來源：Pexels
同樣的邏輯也適用於機器學習。
如果讀者是那種喜歡構建軟件的人，從使用機器學習構建軟件開始，讓工具、預先訓練好的模型和ML框架抽象出潛在的ML理論。
如果讀者仍很好奇或者是項目需要更多的複雜性，那就深入挖掘機器引擎蓋下的東西，分析它是如何工作的。
每個人總能設計出適合自己的機器學習之路。
留言 點贊 關注
我們一起分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 “讀芯術”
（添加小編微信：dxsxbb，加入讀者圈，一起討論最新鮮的人工智能科技哦～）