今年开始学机器学习了,之前总是犹豫不决。说来有点戏剧性,之所以能够下定决心,还是因为听了Tiny叔的podcast,了解到tiny当初做搜索时前前后后的故事,总之受到了鼓励,也就决定开始吧。
现在公开课听了有一半了,笔记做了几十页,每天能利用的空余时间都花在了机器学习上面,这个过程并不轻松,时不时冒出来的数学推导,虽说并不算太难,但是也足够你花时间琢磨。所以真的是几乎每天都在反省,反省为什么读大学的时候,微分、概率、线性代数学的不够好,或者说没有真正的学进去,现在要花大量的时间去补,压力不言而喻。现在真真切切的认识到有些领域不学好数学真是没法编程的,或者说走的更远的....
年初的时候给自己定了一个计划,从ML的公开课、书籍、类库,有个学习的计划表,我现在想的是无论结果怎样,都要把这一计划搞完。但有些时候还是会不自信,搜一下招聘、逛一下论坛,从招聘需求的数量,对应聘者学历、算法、工作经验的要求等等,都能感觉到争取到一份ML的工作并不轻松。
后来想了想可能还是因为自己对这一领域太不熟悉了(未知产生恐惧),究竟真实的生产环境是什么样的?一个程序员是如何应用学习型算法工作的?这些现在都不知道,所以有时候心里犯怵也在所难免。
等把ML基础的东西学完之后,我准备试着学一下推荐系统,似乎这方面入手的坡度不是那么的陡峭,不知道论坛里有没有了解真实情况的哥们,能够指点一二就非常感谢了。
毕业快3年了,从运维到开发都有涉及,但是发现做的技术领域不是很喜欢,尤其是现在做的游戏服务器端的编程,真是很难找到认同感,想到30岁一晃就到了,也没几年了,能够做些选择和尝试的时候还是尽力去做吧,希望自己能把学习计划坚持下来。
我也看了三四个月了。感觉ML的理论很难记住,这两天在总结我自己到底学会了什么,发现自己只能记得《机器学习实战》上的内容了。 我看过的资料包括: 《机器学习》 Tom Mitchell 《模式分类》 Duda 《机器学习实战》 Peter Harrington 《PRML》 Bishop 《机器学习公开课》 Andrew Ng 《自然语言处理公开课》 迈克尔 柯林斯 。。。。 事实上,我自己现在掌握的只是也就是 决策树 线性回归 逻辑回归 SVM 朴素贝叶斯
本人也很迷茫,下面怎么帮,求帮助
我也学了一点,因为工作紧张就没继续。准备今年下半年捡起来。
坚持学下去吧!我估计,再过一二十年,机器学习的工作将占据一半江山,而其他的编程会有类似“编程工厂”的软件来代替,一般大学知识的人都可以用来生产app。到那时,除非是搞底层编程和编写各种“编程工厂”的,其他编程者的日子就不好过了。
而机器学习,始终是高大上的!
我觉得这个东西还是先熟悉一些业界最常用的算法,自己试着实现一下,然后再去熟悉算法原理。上来一头扎进数学里反而不好。还有就是我觉得数学这个东西超级超级重要的,大学学习的时候整天做题,也不知道学了有啥用,学了忘是必然的。现在能在日常场景中找到映射学起来应该蛮有意思的,数学从代数开始不就进入映射的大世界了嘛,整个世界充斥着各种映射。还有就是强烈推荐看国外的经典教材,少看国内的相关书籍,尤其是数学书,感觉有些术语的翻译为了追求简洁,比原词都艰涩难懂,原词分解一下查查词根啥的还能搞懂。如果看国内的数学书可以找找中科大那些大牛前辈写的。