在外行人眼里，上手机器学习 (ML) 似乎是件不可能的事情。要是方法不对的话，确实如此。
事实上，经过用一周时间对主干知识的钻研，我发现机器学习比想像中容易很多。
本文从我自己入门周的亲身体会出发，希望给其他想要学习 ML 却又无从下手的朋友一点启发。
背景
在 ML 学习周开始之前，我曾浏览过许多这方面的文章，Coursera 上面 Andrew Ng 的课上了一半，其他理论课程也有涉猎。所以我已经具备一些 ML 的概念理解，只不过完全不能够把这些理论知识转化为程序，而这正是我想要改进的地方。
我的目标是，在这一周结束的时候可以用 ML 解决实际问题，甚至可以跳过许多基础理论，而实现自上而下地学习 ML，而不是一点点按部就班地从底层学起。
通过在 Hacker News 上提问，我得到的结论是：从 Python 的 Scikit Learn 模块下手也许是最好的选择。这个模块包含了许多备选算法，把实际的机器学习问题简化成为仅仅几行程序。
星期一：学习实用技巧
首先我尝试寻找 Scikit Learn 相关的教学视频。最终我决定使用 Sentdex 的关于如何使用 ML 进行股票投资的教程。该教程提供了进行下一步学习的必备知识。
Sentdex 教程的一个很大优点是，它带领你经历了收集数据的每一个步骤。在学习教程的过程中，你可以深切地体会到，提取数据和清理数据甚至比实际的机器学习更消耗时间。因此对每一个有志于学好 ML 的朋友来讲，从文件或网络上提取有效数据的编程技术必不可少。
在后期的学习中遇到困难的时候，我会将部分视频重复再看几遍。我建议你也可以这样做。
但如果你已经熟悉如何从网络提取数据，这个教程就不那么合适了。因为教程中的很多视频都着重在数据提取。这时候 Udacity 的 《Intro to Machine Learning》 课程也许是更好的入门选择。
星期二： 应用到实际问题
星期二，我想试试自己能不能把学到的理论应用于实践。恰好此时，我所在的编程小组的另一位成员，正在为英格兰银行举办的数据可视化竞赛做准备，我便和他组队一起分析银行提供的数据。这些数据中最有意思的是家庭调查部分。银行每年会对几千家庭进行与钱相关的调查。
我们打算解决的问题如下：
给定某人的教育水平、年龄和收入，能否通过计算机预测此人的性别？
我花了个把小时整理数据，并通过 Scikit Learn map 寻找到一种解决该问题的合适算法。
最终我们的预测成功率在 63% 左右，这结果并没有多好，但至少强过纯随机扔硬币预测的 50% 概率。
看到实际结果，就好比给你的学习热情再添把火，所以当基本掌握了如何使用 Scikit Lear 以后，我强烈建议你也找些实际数据练练手。
意识到自己开始能够把 ML 应用于实际问题，是一个里程碑式的时刻。
星期三：从零开始
在反复尝试各种 Scikit Learn 模块之后，我决定从零开始写一个线性回归的算法。
之所以如此，是因为我当时感觉（现在依然感觉），自己实际上并不理解算法底层是怎样运作的。
所幸 Coursera 的课程里，包含了一些很有用的算法的具体细节。确切来说，它介绍了用线性回归做梯度下降的底层程序。
这种强迫你理解算法深层每一个步骤的学习方法，毫无疑问是最有效的。我强烈建议你也尝试一下。
我打算随着学习的深入，记录下自己对更复杂算法的应用。但在此之前我倾向于先把 Scikit Learn 上相对应的算法用熟练。
星期四：开始竞赛
星期四，我开始学习 Kaggle 的入门教程。Kaggle 是一个机器学习的竞赛平台，公司或组织在上面发布问题，每个人都可以提交自己的解决方案。
我建议，在对机器学习有一定理论和实践基础的时候，再来尝试 Kaggle。因为要使用 Kaggle，这些知识是必不可少的，否则只能给自己徒增困惑。
《Bag of Words》这个教程详细讲解了参与竞赛的每一个步骤，并且提供了一个 Natural Language Processing (NLP) 简短有趣的介绍。学完以后我对 NLP 的兴趣大增。
星期五：回到学校
周五我继续学习 Kaggle 的教程，并开始了在 Udacity 上《Intro to Machine Learning》的课程。如今课程过半，我也乐在其中。
这门课比 Coursera 上的课程容易许多，也不深究每一个具体算法。这门课更偏重实际应用，它教你如何使用 Scikit Learn。比起 Coursera 课上一步步学习写 Octave 算法，这门课更容易应用于实际。
前方的路
一周的学习不仅仅是一次快乐的体验，更帮助我意识到机器学习在社会中的广泛应用。学的越多就能发现更多的应用领域。
如果你对机器学习感兴趣，我强烈建议专门拿出几天或几个晚上，好好钻研一番。
要是你还没做好系统学习的打算，就采用由上而下的方法，尽早进入解决实际问题的阶段。
祝好运！
有问题欢迎通过 Twitter 和 GitHub 与我联系，或发邮件到我的邮箱：perhborgen@gmail.com。
