创刊词：上年，Per Harald Borgen 写了一篇名叫《为期一周的机器学习科学研究》的文章内容，叙述了他怎样根据五天的勤奋打开机器学习之行。

下面你见到的是此篇的事后，Per Harald Borgen 将和大家共享他怎样在一年内把握机器学习专业知识的历经，并工作中完成了第一个机器学习新项目，包含应用各式各样的机器学习和自然语言理解解决技术性，使 Xeneta 的潜在用户做到达标规范。

在 Per Harald Borgen来看，他并不认为仅有得到博士研究生或研究生学位的优秀人才能在机器学习层面更为技术专业。“科学研究机器学习并不一定你数学课学得非常好，都不想要你一定要获得哪些的学士学位。”

假如你对机器学习抱有好奇心又敬畏之心，何不看一下本文。

新手入门：Hacker News （黑客新闻）和 Udacity （优达学城）

我对机器学习的兴趣爱好逐渐于 2014 年。那时我一开始在 Hacker News 上阅读文章相关它的一些文章内容。随后我也发觉根据检验数据信息来教會设备做一些事儿，这类念头十分有意思。那时候的我乃至连一个技术专业的开发设计员都算不上，只有算作一个业余组编码员，但我还是想试一试。

因此我也逐渐看 Udacity 的监管课程学习的前几章，并另外阅读相关这些方面的全部文章内容。

虽然沒有把握到实践技能考试，但我还是对机器学习的定义拥有一定的了解。但因为我非常少听规模性线上开放课程，因此并沒有听完。

“取得成功”挂了Coursera 机器学习课程内容

2015 年 1 月，我报名参加了纽约的“创办人和程序猿”夏令营地（FAC bootcamp），想变成一名程序猿。几个星期之后，我想学习怎样码机器学习算法，因此我也和好多个伙伴创立了一个兴趣小组。每星期二夜里，大家都是会在 Coursera 上收看机器学习课程内容。

这一课程内容非常好，因为我学得了许多。可是针对一个新手而言，教学内容很难，因而我务必要一遍遍不断收看才可以把握关键点。

此外， Octave 编号每日任务也一样十分具备趣味性，尤其是假如你没掌握 Octave 得话。之后，由于难度系数很大，朋友们一个个都放弃了，再之后，自己也最后放弃了。

过后，我意识到，我该找一个合适我的课程来听。要不是用机器学习公共图书馆来开展编号每日任务，而不是从头开始建立算法，又或是最少是我用掌握的计算机语言。

针对初学者而言，学习培训一门新的语言表达，并另外编号机器学习算法，确实是真的很难。

假如及时处理得话，我能挑选 Udacity 的《机器学习详细介绍》这门课程内容，因为它更为简易而且选用 Python 和 Scikit 学法用法。用这类方式 ，我们可以尽早入门，得到自信心，另外也更为有意思。

习得：从简易和具体的物品逐渐学，而不是艰难和逻辑性的。

为期一周的机器学习

我还在 FAC 最终开展的勤奋便是每星期的机器学习会演。我的梦想是在本次训炼周将要完毕的情况下，可以应用机器学习来处理一些具体难题。最后我成功了。

在这里一周時间内我做了下述这种事儿：

它是到迄今为止我所经历过的最坎坷的机器学习的学习曲线了。假如你要掌握大量具体情况得话，就请再次读本文吧。

习得：用一周的時间让自身彻底沉醉于一个新的新项目之中，它是极其合理的。

神经网络？因为我挂掉

在告一段落纽约的 FAC 夏令营地以后，我又返回了丹麦。我尝试拷贝以前在机器学习周所获得的取得成功，将其用以神经网络，結果失败了。

由于有过多的事儿来分散化我的活力，因而我没法每天花费 10 个钟头的時间来编号和学习培训。我这才发觉自然环境的必要性，由于以前在 FAC 夏令营地的情况下，周边全是机器学习的发烧友。

习得：在做这种学习培训的情况下，让自身处于一个奋发向上的自然环境当中。

可是，最少我逐渐着手从事了神经网络的科学研究，而且也渐渐地把握了要点。总算到 7 月 1 日，我取得成功撰写了我的第一条互联网。它很有可能没什么使用价值，而且于我而言也没有什么可显摆的，但这最少证实我了解了反向传播和梯度下降的定义。

后面大半年，因为我找了新的工作中，因而新项目进度逐渐迟缓出来。这一时期最重要的获得就是以神经网络非向量化分析到向量化分析执行的重特大飞越，这在其中包含从高校就一直反复的离散数学。

在年末的情况下，我写了一篇文章来对在学习上开展小结。

测试 Kaggle 比赛

在 2015 年圣诞节暑假的情况下，我再一次鼓足勇气，决策实验 Kaggle 。因而我花了非常一段时间来实验各种各样算法，用以检测 Kaggle 的住房价格变换，伯特集团公司产品类别，及其单车共享资源要求比赛。

根据实验各种各样算法和数据信息，使結果获得持续改进，它是我还在此次试着中较大 的获得。

我懂得了要在做机器学习时坚信自己的逻辑性。除此之外，假若调节一个主要参数或是设计方案一个新的特点在逻辑性上来看可行得话，那麼它在具体运用之中也很有可能会有一定的协助。

工作中分配日常学习培训

2016 年 1 月，假期结束以后我又再次重归工作中，我要再次圣诞节暑假的科学研究，因而我也跟我说的主管是不是能够 让我还在工作时间花一些時间来学习培训。他欣然同意了。在对神经网络拥有一个基础的掌握以后，我觉得再次开展加强学习。

Udacity 的深度神经网络

我最先试着的是 Udacity 的深度神经网络课程内容，但結果令我十分心寒。课程内容的內容非常好，可是一件事而言过短太粗浅了。

此外， IPython Notebook 每日任务的結果也十分让人消沉。我花了大部分的時间来调节编码缺点，結果在持续工作中数日以后，当时的激情慢慢褪去，到最终我大部分就放弃了。

针对我来说，提到 IPython Notebooks ，我彻底是个初学者。因此相比我，大家的結果也许并不会像我一样那么坏。很有可能就是我都还没提前准备听这一课程内容吧。

斯坦福大学的深度神经网络自然语言理解解决

好运的是，我之后又发觉了斯坦福大学的 CS225D ，随后就决策试一试。这一课程内容非常好。虽然难以，可是在做难题设定的情况下，我从未舍弃过调节。

次之，他们也的确给了你解决方法的编码。我还在碰到困难时经常会看一下这种编码，便于能让自身的工作中倒进去，再次去弄清楚达到解决方法需要的流程。

虽然我都沒有进行，但这早已大大的提高了我还在自然语言理解解决和神经网络层面的专业知识。

殊不知这一全过程确实十分艰苦。我一度觉得自身必须一个比我真的人来协助我，因此我找到了一个博士研究生在学学员，给他们每钟头 40 美金的酬劳，他毫不在意。他协助我解决困难设定和总体了解上的难题，而他的协助一件事而言是尤为重要的，由于他发觉了我许多专业知识上的超级黑洞。

习得：以每钟头 50 美金的酬劳就会有很有可能寻找一个非常好的机器学习行业的教师。假如你负担得起起得话，这肯定非常值得。

提高 Xeneta 的销售总额

在干了之上全部工作中以后，我认为自身早已准备好工作中做一项机器学习新项目了。该新项目致力于训炼出一套算法，运用该算法，根据阅读文章公司叙述来使 Xeneta 的潜在用户做到达标规范。这针对市场销售单位的职工而言，将节约很多的時间。

来到这一步的确是一个悠长的旅途。但实际上也迅速。在我逐渐第一周的新项目时，我彻底没想过自身能在一年的時间内娴熟应用机器学习。

可是它是彻底有可能的。假如我可以做，那麼别人也一定能够 。

via medium

续篇：看完了 Per Harald Borgen 一年来的学习培训过程，是否有感觉机器学习离大家并不是那麼万万达不到了呢？殊不知，与方式 一样关键的是毅力，假如你对机器学习确实很感兴趣，何不就从今天开始吧。

阅读推荐：

Machine Learning： 一部大气磅礴的人工智能技术发展历程

智能机 机器学习=本人终端设备的将来

雷锋网原创文章内容，没经受权严禁转截。详细信息见转截注意事项。