2016 机器学习之路：一年从无到有掌握机器学习

【新智元导读】程序员 Per Harald Borgen 在 Medium 刊文，介绍了他在一年的时间里，从入门到掌握机器学习的历程。Borgen 表示，即使没有博士学位和高深的数学造诣也能掌握机器学习。这一点相信对不少人都挺有吸引力和启发。不过，博士学位或许真的并非必须，但要掌握机器学习，学再多的数学也不会嫌多。下面就来看 Borgen 不脱产，从菜鸟变熟手提升业绩的故事。

第一步：Hacker News 和 Udactiy

Borgen 对机器学习的兴趣始于 2014 年。跟很多人一样，他最初是看到 Hacker News 的帖子，单纯觉得教计算机学东西很酷。那时候他还只是个业余的编码爱好者，连程序员都谈不上。

于是，Borgen 开始了他的机器学习之路。首先，到 Uadcity 看监督学习的视频，然后阅读所有能找到的、跟机器学习有关的读物。

Borgen 总结说，“这给了我一点概念上的理解，不过没有实践技巧。”

同时，他也十分坦承，Udacity 的 MOOC 他并没有上完——只要是 MOOC，他几乎都没有坚持上完过。这一点，无论怎么说，至少让篇文章的置信度倍增。

第二步：挂掉 Coursera 机器学习课

2015 年初，Borgen 为了成为正式的开发人员，参加了 Founders and Coders（FAC）在伦敦的训练营。在 FAC，他和同学一起，每周二晚上会看 Coursera 上机器学习课程的视频。

不用说，大名鼎鼎的吴恩达的机器学习课。Borgen 表示课很赞，学了很多，然而他个人觉得这门课不适合新手。至少他自己，就需要反复看视频才能掌握里面讲的概念——当然，这是 Borgen 的个人感受。不过，Borgen 在 FAC 学的同学也一个个掉队，最终他自己也挂掉了。

Borgen 总结说，他当时应该学一门用机器学习库编代码的课，而不是从零开始建算法，至少应该用他已经知道的编程语言写算法。

一句话，“对新手来说，一边学语言一遍写机器学习算法代码难度是很高的”。这句话有一定的参考价值。

Borgen 的建议是，可以选择 Udacity 的《机器学习入门》（Intro to Machine Learning），更容易入门，上来就能实践，在提升经验值的过程中，学习的趣味性也会增多。

【经验】从简单的实践学起，之后再学困难的、偏理论的东西。

第三步：一周学会机器学习

Borgen 在 FAC 做的最后一件事情，就是“一周学会机器学习”。他的目标是，一周以后能够实用机器学习解决实际问题，而他也成功做到了这一点。

具体的经验 Borgen 写在了另一篇文章里。有兴趣进一步了解，可以访问：https://medium.com/learning-new-stuff/machine-learning-in-a-week-a0da25d59850#.elu1hfaak

简单说，在一周的时间里，Borgen 做了以下几件事情：

• 学会了 Scikit Learn
• 在真实世界数据库跑了一次机器学习
• 从零（用 Python ）写了一个线性回归算法
• 做了一点儿 NLP

【经验】腾出一周时间来全身心地沉浸到机器学习里面去，效果惊人。

第四步：挂掉神经网络

成功在一周的时间里拿下机器学习给了 Borgen 自信。因此，在他结束 FAC 回到挪威时，他计划进行第二次挑战——一周内学会神经网络。

然而，事实是残酷的。离开 FAC 那种 沉浸式学习环境后，要一天写 10 小时的代码可不容易。

【教训】找一个合适的环境做这种事情。

不过，Borgen 到底还是学上了神经网络。去年 7 月份的时候，他写完了一个网络的代码。虽然很粗糙，但完成比完美重要，对吧？

下半年，Borgen 换了一份新工作，这在某种程度上影响了他的机器学习学习进展。这一阶段他主要做的是实现神经网络，他把大学时学的线性代数重新看了一遍。年底时，Borgen 写了篇总结：

《学习如何编写神经网络代码》

也是在这篇文章里，Borgen 记录了他从零开始写代码的过程。这篇文章在 Medium 上点赞的数量接近 600。

第四步：在 Kaggle 竞赛中实践

2015 年圣诞节，Borgen 参加了 Kaggle 竞赛。当然，实践的效果是显著的，他得到了通过算法和数据实际迭代实验的经验，也学会了在做机器学习项目时要相信自己的逻辑，“如果调参或特征工程从逻辑上看有用，那么一般都会有用”。

第五步：在工作中建立学习的习惯

2016 年初，Borgen 想将他在去年年底获得的动力持续到工作中，便询问经理是否能在上班时学新的东西——经理答应了。虽然 Borgen 在文中没有多写，实际上，从这个经历中也能学到东西：

勇于提出需求，它们才有机会得到满足——当然，你的需求需要合理。

于是，Borgen 就在上班时也能学机器学习啦（拿钱做想做的事情！）。在 2016 年积累了相关经验以后，Borgen 的第一站是 Uadcity 的深度学习课程。然而，事实证明，对于现在的他来说，Udacity 的这门课已经太浅。不过，课后的 Ipython Notebook 作业却太难。Debug 浇灭了他的大部分兴趣。又一次地，一门 MOOC 被他放弃。

但随后，Borgen 发现了斯坦福的 CS224D，这门课让他获益匪浅。Borgen 总结斯坦福 CS224D 的好处是：

• 尽管难，但做题从来没有 debug；
• 课程提供答案，便于加深理解。

尽管 Borgen 仍然没有把这门课上完，但他推荐有兴趣的人去学。

另外，Borgen 在学这门课的过程中，为了完成题目，请了一位家教，时薪 40 美元，这位家教帮他发现了很多问题。因此，他得到了这么一条经验。

【经验】花 50 美元/时的金额聘请机器学习家教，绝对值得。（如果你有机器学习经验，你可以获得时薪 50 美元的打工机会。）

学以致用，提高销售额

Borgen 在工作中实践机器学习，他搭建了一个系统，节省了公司销售部门同事的很多时间。相关代码：https://github.com/xeneta/LeadQualifier

以上就是 Borgen 在实际工作中一年掌握机器学习的历程。不管带不带感，至少十分真实。Borgen 在文章末尾写道：“如果我做得到，你也做得到。”

尤其是工作中的程序员，你不想试试吗？

编译来源：Machine Learning in a Year（https://medium.com/learning-new-stuff/machine-learning-in-a-year-cdb0b0ebd29c#.pj6h7f5xk）