原文： https://machinelearningmastery.com/how-to-get-better-at-machine-learning/
来自 Metacademy 的科罗拉多里德最近写了一篇很棒的文章，名为“ _ 升级你的机器学习 _ ”来回答他经常收到的问题：
如果我想在机器学习上“更好”，我该怎么办，但我不知道我想学什么？
在这篇文章中，您将发现科罗拉多州建议的摘要和他的路线图的细分。
升级您的机器学习 照片由HelgiHalldórsson，保留一些权利
科罗拉多州是伯克利大学的博士生，也是 Metacademy 的创始人。 Metacademy 是一个开源平台，专家合作构建维基文章。目前，文章侧重于机器学习和人工智能。这是一个很棒的网站。
科罗拉多州在机器学习方面做得更好的建议是通过教科书不断努力。他评论说，阅读教科书的过程就是与教科书合而为一的过程。
这个策略并不令人意外，因为博士候选人可能会在当天推荐同样的东西。这是好的建议，但是，我不认为这对每个人都是正确的建议。如果您是一名程序员，通过实现它们来让想法渗透，那么当您希望在给定方法上采取下一步时，教科书列表可能是有用的参考。
他的机器学习路线图又分为 5 个级别，每个级别都指向要掌握的特定教科书。五个级别是：
- 0 级（_ 新手 _）：阅读数据智能：利用数据科学将信息转化为洞察。假设您了解 excel 的方式，并最终了解一些算法的存在和可能的高级数据流。
- 1 级（_ 学徒 _）：用 R 读取机器学习。了解何时应用不同的机器学习算法，并使用 R 来执行此操作。假设可能有一点编程，代数，微积分和概率，但只是一点点。
- 2 级（_ 熟练工 _）：读取模式识别和机器学习。从数学角度了解机器学习算法的工作原理。解释和调试机器学习方法的输出，并掌握更深入的机器学习概念。假设有算法的工作知识，良好的线性代数，一些向量微积分，一些算法实现经验。
- 3 级（
Master）：读取概率图形模型：原理和技术。深入研究凸优化，组合优化，概率论，微分几何和其他数学等高级主题。熟悉概率图形模型，何时使用它们以及如何解释它们的结果。 - 等级 4（_ 大师 _）：随心所欲。回馈社区。
这是一个很好的细分，科罗拉多为每个级别提供了特定的章节建议以及建议的顶点项目。
科罗拉多重新发布了这个路线图作为博客文章，稍作修改。他放弃了最后一级并更名为：_ 好奇 ， 新手 ， 学徒 ， 熟练工 _ 和 _ 大师 _ 。他还评论说，0 级好奇机器学习器不应该阅读教科书，而是应该浏览和查看一些顶级机器学习视频。
斯科特·洛克林也阅读了这篇文章并受到启发，撰写了他自己的回复题为“ _ 被忽视的机器学习思路 _ ”（与 Boris Artzybasheff 的酷艺术）。
斯科特评论说，这些建议表明了科罗拉多州的偏好，并没有给出更全面的机器学习领域。斯科特还评论说很少有书可以很好地概述这个领域，尽管他确实喜欢这本书机器学习：理解数据的算法的艺术和科学，因为它也触及了一些不起眼的技术。
然后，斯科特继续列出一些“在书中被忽视”的领域。总之，这些领域是：
- 在线学习：流媒体数据和大数据的关键，向 Vowpal Wabbit 致敬。
- 强化学习：在机器人技术的背景下进行了讨论，但很少将其与常见的 ML 联系起来。
- “_ 压缩 _”序列预测技术：在发现学习模式时进行压缩。致 CompLearn 。
- 一般的时间序列导向技术
- 共形预测：在线学习的模型准确率估计。
- ML 存在大量噪声：NLP 和 CV 是一般情况示例。
- 特征工程：对于成功的机器学习至关重要。
- 一般无监督和半监督学习
这是一个很好的列表，指出一些确实没有得到足够或足够关注的领域。
我会注意到我有自己的路线图，用于入门和掌握机器学习。像科罗拉多州一样，我的路线图仅限于分类/回归类型的监督机器学习，但建立在促进调查和采用任何和所有感兴趣主题的过程中。而不是“_ 阅读这些教科书 ”，而是“ 遵循这些过程 _”的方法。