全文共1956字，预计学习时长6分钟
来源：Pexels
免责声明:以下内容基于笔者对机器学习团队的观察，并非对行业的学术调查。
作为人工智能的核心，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。
如果读者是开发人员，那么可能对机器学习至少有一点兴趣。
“嗯……能够自学预测的算法，这个概念有点……酷。”
然而，如果你真的循规蹈矩去学机器学习，很有可能会在花两周时间学习线性代数和多变量微积分后萌发想要放弃的念头。
这是因为大多数机器学习的入门材料并不是面向开发人员，而是机器学习的研究人员。
因此，对于那些只想用机器学习构建产品的开发人员来说会比较头疼。
想打造产品，还是做研究？
在21世纪末之前，机器学习或多或少只是一个研究问题。道理很简单，没有多少公司在生产中以有价值的方式使用机器学习。
因此，很多机器学习的入门材料都是从这个研究角度来探讨的。它首先从数学角度解释神经网络，解释ML背后的所有理论，比如反向传播和对立网络。
某种程度上来说，非大学附属材料甚至也遵循这种模式。例如，直接取自TensorFlow的“初学者快速入门”:
来源：TensorFlow
如果已经熟悉机器学习背后的数学理论，或者对学习它感兴趣，这种方法就是可行的。然而，如果想主要使用机器学习来构建东西，那它可能不合适。
将编程作为推论使用，这种方法好比通过先学汇编来学习写代码。几乎没有开发人员会这样学习。
注意:如果读者确实通过学汇编学会了代码，那么笔者接受愤怒的评论，并且对读者在运行晦涩的Linux发行版上安装浏览器印象深刻。
学会编码后，读者很可能通过使用高级语言编写hello world实现。然后，随着引入项目一点点复杂，便可根据需要学习越来越多的低级编程。
这种学习模式在软件构建师中很有成效，因为它能优化构建，如果读者对构建推荐引擎比发表论文更感兴趣，下面就是应如何学习ML。
怎样通过构建软件学习ML
来源：Pexels
如果读者是那种通过课程学习最容易取得成效的人，那么能接触到的最好的资源，可能还有这种自上而下、边做边学模式的最积极倡导者，就是fastai的面向（程序员实践深度）课程。
本文不旨在成为fastai的大广告，但可以说，其创始人杰瑞米·霍华德和瑞秋·托马斯组织的几门课程，已经通过让学习者实际构建，深入研究当前构建项目相关的基础理论，再教授开发者深度学习。
或者，如果读者是那种通过自己动手做事情学习得最好的人，那么开始机器学习和其他编程领域是一样的。选一个听起来很有趣的项目加入，笔者在这里列出了初学者友好型NLP项目的列表。
假设读者以这种方式学习，熟悉使用ML构建的好方法是:
1. 确定目标，比如建立一个文本自动完成器或者车牌识别器。
2. 找到适合项目的预先训练好的模型，GPT-2或YOLOv3将分别适用于前面提到的项目。
3. 如果喜欢，甚至可以使用像gpt-2这样的库来微调(根据数据定制)模型。
4. 最后，将模型部署为微服务。
一旦将模型部署为一个API，它就可以像查询任何其他网络服务一样查询，并围绕它构建应用程序。
实际上可以在 这个项目中看到该过程的实际应用，它是由一个涉及ML的工程师创建的。
通过这种方法，可以了解不同的流行模型体系结构和机器学习方法，以及它们适用于哪些应用程序。了解ML基础设施同样重要，而这对于从模型中构建实际产品至关重要。
一旦可以使用机器学习来构建，就要学习这个理论
如果读者是一名工程师，就可能已经有了某种形式的认证，这意味着 读者已经散列了密码(笔者希望如此)。
设置密码散列时，是否编写了自定义散列算法？花了几周时间学习密码学吗？还是刚才用 bcrypt？
类似地，构建第一个网络应用程序时，花了几周时间学习数据库吗？从头开始写的吗？或者是否使用了最喜欢的框架附带的ORM？
来源：Pexels
同样的逻辑也适用于机器学习。
如果读者是那种喜欢构建软件的人，从使用机器学习构建软件开始，让工具、预先训练好的模型和ML框架抽象出潜在的ML理论。
如果读者仍很好奇或者是项目需要更多的复杂性，那就深入挖掘机器引擎盖下的东西，分析它是如何工作的。
每个人总能设计出适合自己的机器学习之路。
留言点赞关注
我们一起分享AI学习与发展的干货
如转载，请后台留言，遵守转载规范
