不要一上來就學機器學習，要先學會用機器學習模型構建軟件

如果你決定開始學機器學習，并且按照常規(guī)的方式開始學習，那么很可能出現(xiàn)這樣的情況：學習線性代數(shù)和多變量微積分兩周后就選擇放棄。

原因在于，大多數(shù)機器學習的入門材料不是面向開發(fā)者的，而是面向機器學習研究人員開發(fā)的，而對于只想使用機器學習來構建產(chǎn)品的開發(fā)者來說，這些材料未免太難了。

在20年代末，機器學習或多或少只是一個學術研究問題，在實際產(chǎn)品中使用機器學習的公司并不多。

因此，很多機器學習的入門資料都是從這個學術研究的角度出發(fā)，它首先從數(shù)學的角度解釋了神經(jīng)網(wǎng)絡、機器學習背后的理論知識、反向傳播和對抗性網(wǎng)絡等等。

即使不是屬于大學課程的學習資料也是沿用了這個模式，例如，這句直接摘自Tensor Flow的中的一句話：

很顯然，如果你已經(jīng)掌握了機器學習背后的數(shù)學知識或者你對學習機器學習本來充滿了興趣，那么這種學習方法對你來說會是可行的。但是，如果你主要是想在構建產(chǎn)品加入機器學習，那么這可能不是你需要的。

就好比你想學習程序設計，這種方法就像先學習匯編代碼，然后學習寫代碼，事實是幾乎沒有面向產(chǎn)品的開發(fā)者是這樣學習的。

當你學習代碼時，你很可能是通過使用高級語言寫“hello world”來入門的，然后，當項目變得稍微復雜了些，你會按照需求學習越來越多的低級編程。

如果你在構建自動推薦引擎和發(fā)表論文，那么你就應該去學習機器學習本身，如果只是想構建產(chǎn)品，那么你需要通過構建軟件來學習機器學習。

如果你喜歡通過線上課程來學習，那么最好的資源或許就是fast.ai的Practial Deep Learning For Coders，fast.ai是最有發(fā)言權的機器學習倡導者，它推薦使用自上而下、理論實踐相結(jié)合的學習方法來學習機器學習。

課程鏈接：

https://course.fast.ai/

當然，這篇文章的目的不是為fast.ai做廣告，只是想說fast.ai的創(chuàng)始人Jeremy Howard和Rachel Thomas成功地把幾門課程整合在一起，這些課程讓開發(fā)者構建產(chǎn)品、深入了解項目相關的底層邏輯。

另外，如果你是那種通過深入了解并且自己構建知識體系，以此可以達到最大的學習效果的人，那么學習機器學習就和你學過的編程語言一樣。挑選一個聽起來讓你感興趣的項目，并深入其中學習就可以了。

這里推薦一種熟悉機器學習的好方法：

確定目標，例如構建文本自動填充器或車牌識別器。

找到一個適合你項目的預訓練模型，比如用GPT2和YOLOv3分別適用于前面提到的文本自動填充器和車牌識別器。

如果你覺得太復雜了，你甚至可以使用GPT2-simple這樣的庫來微調(diào)你的模型（根據(jù)數(shù)據(jù)集定制）。

最后，將你的模型部署成一項小型應用。

一旦你有了一個API接口的模型，你就可以像其他查詢web服務一樣，并且圍繞它構建你的應用程序。

通過這種學習方法，可以促使你了解到不同流行的模型構架和機器學習的方法，以及它們的使用場景。同樣重要的是，你將學習機器學習基礎構架，這對構建真實的產(chǎn)品至關重要。

如果你是一名工程師，你可能已經(jīng)學習過實現(xiàn)了某種形式的身份驗證，這意味著你很可能用過散列密碼。

那么當你設置散列密碼時，你是否有自定義散列算法？你花了幾周時間去研究密碼學？還是說你只是使用內(nèi)置的加密算法bcrypt。

同樣，當你構建你的第一個Web應用程序時，你是否花了幾周時間去學習數(shù)據(jù)庫？你是否從頭開始編寫自己的數(shù)據(jù)庫？還是說使用了你最喜歡的框架所附帶的ORM？

這些問題的邏輯同樣也適用于機器學習，如果你是那種喜歡構建軟件的人，那就從構建軟件開始，從工具、預訓練模型和機器學習框架中抽象出底層的機器學習理論。如果你依然很好奇或者你的項目需要更高的復雜度，那就深入進去，看看這一切是如何運作的。