編者按：Feedly聯(lián)合創(chuàng)始人、大數(shù)據(jù)與機(jī)器學(xué)習(xí)主管Kireet Reddy分享了自己入門機(jī)器學(xué)習(xí)的經(jīng)驗。

上大學(xué)前，我原以為自己將來會去計算機(jī)硬件行業(yè)工作，比如Intel之類。不過，到了CMU后，我發(fā)現(xiàn)計算機(jī)科學(xué)課程要有趣得多，看起來這些課程我也學(xué)得更好，這恐怕不是一個巧合。我真的很享受幾乎每一門參加的CS課程。實際上，只有一門例外：機(jī)器學(xué)習(xí)入門！我對這門課程很感興趣，不幸的是，看起來這門課的教授對教授這門課程的不感興趣程度和我的感興趣程度差不多，教得也不好。所以長期以來機(jī)器學(xué)習(xí)不在我的關(guān)注范圍之內(nèi)。

不過，幾年前，我注意到機(jī)器學(xué)習(xí)真的吸引了很多注意力，這再次激起了我的好奇心。這次我從吳恩達(dá)的MOOC開始，吳是一個很棒的教授。和以前的區(qū)別是，我原來白天上課，現(xiàn)在網(wǎng)上上課。我一下子就著迷了，開始在網(wǎng)上搜索更多可以參加的課程。下面是我在學(xué)習(xí)過程中收獲的一些經(jīng)驗和竅門。

追趕ML潮流是不是好主意？

毫無疑問，機(jī)器學(xué)習(xí)將經(jīng)久不衰。這一領(lǐng)域的活躍已經(jīng)有一段時間了，發(fā)展也很快，我可以說，夸大宣傳背后確實有實質(zhì)性的進(jìn)展。解決有些問題，機(jī)器就是比人類更擅長。

但這并不意味著機(jī)器學(xué)習(xí)適合每個人。機(jī)器學(xué)習(xí)方面的工作和其他軟件工程領(lǐng)域很不一樣。它更帶研究性和猜測性。如果你喜歡事先一段一段地計劃好工作，在x周之后一切就緒，那也許機(jī)器學(xué)習(xí)不怎么適合你。如果你喜歡處理數(shù)據(jù)，持續(xù)學(xué)習(xí)新技術(shù)，（真心）喜歡數(shù)學(xué)，那么機(jī)器學(xué)習(xí)也許是一個很棒的轉(zhuǎn)職方向。

多久能趕上進(jìn)度？

這個問題有太多答案。我首先想到的回答是“永遠(yuǎn)不能”。機(jī)器學(xué)習(xí)的范圍相當(dāng)廣泛，同時正以驚人的速度發(fā)展。如果你碰巧和我一樣需要睡眠，那么你大概無法跟上這一領(lǐng)域的每項進(jìn)展。但另一個更樂觀的答案也許是4個月（每周10小時）。例如，這些時間足夠你完成fast.ai的課程了（很棒的課程）。

這并不是微不足道的投入，因為你大概有許多時間要花在工作和生活上。不過，以我的個人經(jīng)歷為證，這是有可能做到的，如果你愿意投入的話，其實并不難。

好課程有哪些？

這真取決于你打算如何學(xué)習(xí)。就我個人而言，之所以喜歡機(jī)器學(xué)習(xí)，是因為它優(yōu)雅地組合了數(shù)學(xué)和計算機(jī)科學(xué)的許多領(lǐng)域：概率論、線性代數(shù)、微積分、優(yōu)化，等等。所以我很自然地偏向?qū)W術(shù)性課程。

斯坦福的CS231n是一個極好的學(xué)術(shù)性課程。我看了Andrej Karpathy的授課視頻，講得非常好。課程作業(yè)的設(shè)置也很好，可以遠(yuǎn)程完成。盡管課程主要內(nèi)容為圖像問題和卷積網(wǎng)絡(luò)，課程其實是“從頭開始”的，同樣覆蓋了前饋網(wǎng)絡(luò)和循環(huán)網(wǎng)絡(luò)。

如果你更喜歡偏實踐的課程，那fast.ai的課程很不錯。Jeremy Howard從非?；A(chǔ)、系統(tǒng)的角度講授所有內(nèi)容，課程的設(shè)計讓任何具有一定技術(shù)背景的人可以參與。另外他們的論壇也是一個很不錯的社區(qū)。

之前提到的吳恩達(dá)后來又在Coursera開了新的課程系列。我沒有親自嘗試這些課程，但我確信其中一定包含很多好東西。我感覺這門課程也是以偏向?qū)嵺`的方法教授的，不過也涉及一些背后的數(shù)學(xué)。

我建議你嘗試多門課程，然后挑選一門最能吸引你的注意力的課程。不過我鼓勵你至少逐漸完成一門實踐性課程和一門理論性課程，這是一個很好的互補(bǔ)。為了理解論文（警告：你需要閱讀學(xué)術(shù)論文），學(xué)術(shù)性課程將幫助你適應(yīng)長篇的技術(shù)內(nèi)容。實踐性課程則將提供一些直覺，幫助你做出ML項目中的各種決策。

如果你需要溫習(xí)一下數(shù)學(xué)，或者想學(xué)得更深入一點，MIT有幾門很棒的課程。任何ML工作都絕對需要對概率學(xué)良好的理解，John Tsitsiklis教授的6.041/6.431講得超棒。John將復(fù)雜問題逐步分解，直到答案顯而易見的地步，這種授課方法完全是藝術(shù)。

MIT的線性代數(shù)課程（18.06）也很有意思。這門課的教授同樣很出色，風(fēng)格獨(dú)特。不過這門課程并不是真的很有必要，因為大多數(shù)ML任務(wù)只需要理解矩陣乘法。

如果我不懂編程該怎么辦？

去學(xué)。

大多數(shù)ML工作基于Python完成，幸運(yùn)的是，Python相當(dāng)容易上手。大多數(shù)ML工作也真不需要你是一個世界級的程序員。但我還是建議你在進(jìn)行任何ML方面的工作前參加一門關(guān)于編程的速成線上課程。一下子學(xué)習(xí)編程和機(jī)器學(xué)習(xí)的概念（更別說還需要重新學(xué)習(xí)你大概已經(jīng)忘掉了的一堆數(shù)學(xué)）是災(zāi)禍之因。給自己一個循序漸進(jìn)的機(jī)會。

我有一定基礎(chǔ)，現(xiàn)在該怎么做？

好，現(xiàn)在到了開始建模的時候了！一般來說有兩條路可走：1) 在工作中找一個項目，或者進(jìn)行一個個人項目；2) 找一個Kaggle競賽。這取決于你的具體情況，不過我建議選Kaggle，主要原因如下：

問題是明確定義的。恰當(dāng)?shù)亟Y(jié)構(gòu)化真實生活中的ML問題可能需要一定的技巧。Kaggle就不存在這個問題。

類似地，有時候自己創(chuàng)建的數(shù)據(jù)集可能包含一些難以診斷的缺陷。而Kaggle競賽會給你提供數(shù)據(jù)。

Kaggle提供了一個處理同樣問題的社區(qū)。如果你陷入困境或者需要一點指引，有地方可去。

另一方面，如果你在工作中能碰到為ML方案量身定做的問題（比如圖像分類），那么也許工作項目是給你的同事留下深刻印象并說服老板讓你在機(jī)器學(xué)習(xí)上投入更多時間的快捷方式。

所以，如果你正考慮鉆研機(jī)器學(xué)習(xí)，請勇往直前！機(jī)器學(xué)習(xí)最棒的一點是人們在時間和知識方面真的很慷慨。一旦開始，你能在網(wǎng)上找到很棒的支持系統(tǒng)，幫助你前行。