近年來，全世界對機器學習的需求正在蓬勃發展，引起了很多人的興趣。很多數據科學家、軟件工程師和數據分析師都在快速進入這個領域，以期在將來有一個更好的職業發展前景。
然而，很多初學的朋友因為剛剛接觸這個領域，難免有些摸不到頭腦。在網上看的文章也是眾說紛紜，不知道該何去何從。
因此，本文梳理了一些針對初學者的建議，以便讓大家能夠在學習過程中少走一些彎路。
1.先設定一個方向與目標
機器學習是一個快速發展的領域，每年都會有很多新的內容出現，而且其應用範圍又極為廣泛。從自然語言處理到圖像識別，從數據挖掘到精準營銷，再從金融風控到量化交易，到處都是機器學習的影子。在面對如此龐大的體系時，初學者很容易出現一種“因為不知道哪個方向好，所以無從下手”的狀態。更有可能這個方向涉獵一點，後面對另外一個方向又產生了興趣，於是又轉了方向，導致每個方向都淺嘗輒止，沒有真正的建樹。
這裡給初學者的建議是：先選定一個方向，並且設定一個小目標。在達到這個目標之前，先不要換方向。實際上不論是何種應用，背後的技術原理大同小異，因此把一個方向吃透並且獲得成就之後，即使再轉向新的應用方向也會比較得心應手。
2.學會跑之前，先學會走
由於很多前沿的應用太過於炫酷，很容易讓初學者產生一種馬上就要投身進去的衝動。例如機器學習中的深度學習和自然語言處理。但這些子領域其實都是建立在機器學習的核心基礎知識之上的，所以最開始時，一定要專注於核心基礎知識上。一旦我們掌握了核心基礎知識，後面延展到更高級的方向時，也會感覺容易很多。
3.一定要理論和實踐相結合
可以說，機器學習這門技術，是世界上理論與實踐結合最緊密的學科之一。實際上，整個計算機科學領域也都有這種共性。有的時候，大家會看到在一些網絡論壇上，很多人為了爭論理論吵得喋喋不休，但他們卻從來沒有真正動手做過項目，所有的討論都是空中樓閣；另外有些工程師，他們會非常熟練地使用各種工具，但是對背後的原理卻知之甚少。實際上這兩種狀態都不可取，只鑽研理論或者只關注應用，都會在將來影響大家的職業發展。
我的建議是，在學習的過程中，大家先對機器學習中的算法原理有一個大致的瞭解，然後再應用這個算法去解決一些實際問題，再反過來想一想還有沒有改進的空間。例如我為什麼要使用這個算法？是不是還有更適合這個問題的算法？這個參數是什麼意思？我該如何調節它等等。
4.試著自己動手寫一些算法
雖然現在有很多非常方便的機器學習建模工具，可以讓用戶甚至一行代碼都不用寫，就可以實現機器學習模型的訓練和部署，不過我還是建議大家不妨自己動手，用代碼來實現一些簡單的算法。這樣做會讓大家對算法有更深入的理解，如果日後工作中需要對某些算法進行改進，這樣的經驗會讓大家更加得心應手。
5.從統計學層面理解算法
有一部分從事機器學習職位的人，是從計算機科學領域轉過來的。而機器學習其實和統計學有著非常非常緊密的聯繫。同樣一個算法，從計算機科學的角度來進行解釋，與從統計學的角度進行解釋，是會有不同的說法。因此，從統計學的角度去理解機器學習算法，對大家非常有幫助。
6.多思考應用場景
有些朋友在學習過程中，很容易沉迷於工具或者是算法的使用，而忽視了應用場景的特點。實際上，機器學習能否起作用，或者說能夠產生價值，和應用場景的特點密切相關。換句話說，如果大家對業務場景不夠熟悉，不知道哪些數據對於結果有決定性作用，那麼即使訓練出來的模型可能也沒有實用的價值。這就成了一種捨本逐末的行為了。所以，一定要在準備數據的階段就深入思考業務場景，讓模型更具有使用價值。
7.不要相信炒作
現在很多媒體為了吸引眼球，都會誇大其詞。我們常常會看到一些如同科幻小說一樣的報道，還有一些文章不惜鼓吹人工智能的發展將會導致人類大規模失業。更有甚者，甚至提出駭人聽聞的威脅論，說人工智能未來會進化為超級物種，並且會與人類為敵，並在自身進化到一定地步便會統治人類、奴役人類。對於這樣的文章或是宣傳，大家不要當真。不管是人工智能還是機器學習，都是我們用來開展工作和學習的工具，但它也僅僅是各種工具中的一種而已，沒有必要把它看得太過於神奇，以平常心對待即可。
8.找到自己感興趣的項目
俗話說，羅馬不是一天建成的。機器學習也是如此，需要我們投入大量的精力和時間去鑽研。這個過程漫長且枯燥，非常容易讓初學者覺得無法堅持下去，以致於中途就放棄了。因此，找到自己感興趣的項目，可以幫助大家更好地堅持學習。例如你喜歡炒股，那就試試訓練一個預測股價的模型。或者你喜歡足球比賽，那麼可以試試用模型預測一下哪一隻隊伍會獲得冠軍，等等。切記，好的學習者一定懂得如何讓自己在學習過程中感到快樂。
9.記得鍛鍊身體
最後一點，也是最重要的一點。如果大家真的決定走上數據科學這條職業發展道路，那麼一定要養成鍛鍊身體的習慣。這個領域的工作強度很大，沒有好的體魄會讓你感到力不從心。另外，好的身材也會讓你的職業發展更加順利，畢竟，人們更喜歡風度翩翩的科學家。
以上就是我們給準備開始走上機器學習道路的朋友們的一些建議，希望能夠給大家一些參考。
閱讀更多 AI課工場 的文章
