【分享】我想上手机器学习-编程知识

前言

一、理解机器学习

1.1 机器学习的目的

1.2 机器学习的模型

1.3 机器学习的数据

二、学习机器学习要学什么

2.1 学习机器学习的核心内容

2.2 怎么选择模型

2.3 怎么获取训练数据

2.4 怎么训练模型

三、机器学习的门槛

3.1 机器学习的第一道门槛

3.2 机器学习的第二道门槛

3.3 机器学习的第三道门槛

前言

对于新人来说，开始学习机器学习可能会感到有些困难。例如一般会给出海一样阔的学习清单，然后还需要掌握基础数学知识、学习Python编程语言、学习机器学习基础理论、实践项目、参与社区和持续学习等方面的努力等等等等等等等等等等等一大堆的“刚性要求”及“说与不说都一样的建议”。

与其说这些是学习建议或者学习指引，还不如说是“机器学习劝退书”。如果不抓住主干，而是繁枝杂叶，那么养猪都要买上十本书，看完隔壁家猪都下崽了。

下面结合实际的经验，和一些真正上手人的经历，今天我来分享一下机器学习上手要怎么搞。

一、理解机器学习

1.1 机器学习的目的

机器学习的目的就是通过X来预测Y，

1.2 机器学习的模型

但X与Y的关系往往不知，所以需要假设X与Y符合某个模型。而模型并非完全是死的，它预留了一些参数，例如线性模型y = wx，就预留了w作为参数，模型是固定的(它必然是线性的)，但模型不是死的，可以通过参数w来调整线性关系的斜率。

1.3 机器学习的数据

模型中预留的参数如何确定？这时候就依靠历史数据了，求解一个参数，使得模型在历史数据中预测最准确，以此来确定模型的参数。

二、学习机器学习要学什么

2.1 学习机器学习的核心内容

由上而知，机器学习就是选择一个模型，然后再用数据训练模型，以达到我们的目的---用X预测Y。因此，重心就只有两个：

（1）怎么选择模型

（2）怎么获取训练数据

（3）怎么训练

2.2 怎么选择模型

要知道怎么选择模型，就必须了解模型，了解更多的模型。只有桔子梨子桃子李子都吃过了，才能知道现在想吃什么。所以这是一个很简单的问题，多学几个模型，玩几个模型，多玩玩，就知道了。但是不是所有模型都要知道呢？当然不是，也是不可能的！就像梨子桃子桔子李子柚子柿子椰子梨子橙子车厘子都未必样样吃齐，一般先学着五六个常用模型，就算入门了。

机器学习基本的模型，包括线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、聚类分析、降维等。这些模型可用于分类和回归问题，如房价预测、股票走势或测试成绩等连续变化的案例。其中，线性回归和逻辑回归是处理回归任务最常用的算法之一，而SVM、决策树和随机森林则是处理分类任务常用的算法。

在机器学习入门阶段，建议先学习一些基础模型，如线性回归和逻辑回归，以及一些基本的聚类方法和降维方法。然后，可以根据实际问题和数据集的特点，选择适合的模型进行学习和应用。同时，还需要了解各种模型的应用场景、优缺点、参数设置等，以便更好地应用它们解决实际问题。