无需数学就能理解机器学习算法的五种方法？

1. 学习系统化的过程来解决端到端的问题

2. 将过程映射到“最佳”机器学习工具和平台

3. 有针对性的完成测试数据集的实践

您可以在“ 为程序员进行机器学习：从开发人员到机器学习从业者的飞跃 ”这一文章中了解更多关于自上而下机器学习教学的方法。

https://machinelearningmastery.com/machine-learning-for-programmers/

那么理论学习到底是这个过程中的哪个步骤呢？

当我们在谈论理论的时候我们在谈论什么？当您在测试数据集上练习时，您究竟如何学习该理论？

机器学习领域中理论是很密集的。

它很密集，因为在这个领域里有一种传统，是用数学方法去描述和解释概念。

这很有用，因为数学可以非常简洁的描述，减少模糊性。它们还可以利用描述上下文中的技术（例如，对过程的概率理解）进行分析。

许多这样的数学技术经常与机器学习算法的描述捆绑在一起。对于那些只想对某个方法建立肤浅的理解来配置和应用它的人来说，这令人无所适从。

如果您没有能够解析和理解算法描述的基础，那将是令人沮丧的。因为在计算机科学这样的领域，算法总是被描述出来的，但不同的是，描述是为了快速理解（例如用于桌面检查）和实现。

举例来说，当我们学习哈希表的概念以及如何使用它时，我们几乎不需要知道日常工作中哈希函数的细节。但是我们仍然知道什么是哈希函数、在哪里可以了解更多关于哈希函数的细节、以及如何编写自己的函数。为什么机器学习不能这样进行呢？

在机器学习中遇到的大部分“理论”与机器学习算法有关。如果你问任何一位初学者，他们为什么对理论感到沮丧，你会发现都与学习理解或使用特定的机器学习算法有关。

算法创建的过程比预测模型创建的过程涉及的知识更广泛。它还涉及在看不到的数据上选择特征，设计新特征，转换数据和模型准确性估计（例如交叉验证）。

因此，最后学习理论，实际上意味着要学习机器学习算法了。

我通常会建议在著名的机器学习数据集上进行有针对性的练习。

这是因为众所周知的机器学习数据集，如UCI机器学习库中的那些，很容易使用。它们很小，适合存储，可以在工作站上处理。这些数据集都经过充分研究和理解，因此您可以与基线进行比较。

您可以在“ 使用UCI机器学习库中的小型内存数据集练习机器学习 ”中了解有关机器学习数据集实践的更多信息。

https://machinelearningmastery.com/practice-machine-learning-with-small-in-memory-datasets-from-the-uci-machine-learning-repository/

这个过程适合用来理解机器学习算法的原因是，为了获得标准机器学习算法的结果，您会遇到一些限制。您会想要了解更多信息，包括如何从给定算法中获得更多信息，或者了解有关如何最佳配置算法，或是如何实际工作等。

好奇心将促使您研究机器学习算法的理论。您将被迫整合对算法的理解，以获得更好的结果。

我们在不同背景的年轻开发人员中都看到了同样的效果，最终他们会去研究开源项目、教科书甚至论文的代码，以便磨练他们的技艺。他们这么做的动力是：想要成为一个更有能力程序员！

如果你很好奇并且有动力去取得成功，你就无法抗拒去研究算法背后的理论。

作为目标实践的一部分，现在是时候深入了解机器学习算法了。

当那个时候到来时，您可以使用许多技术和模板来缩短流程。

在本节中，您将了解五种可用于快速理解机器学习算法理论的技术。

当您刚刚开始学习时，您可能会对可用的大量算法感到不知所措。

即使在现场测试算法的时候，您可能不确定要包含哪些算法（提示：多样化）。

刚开始时，一个很好的技巧是记录您所阅读的算法。这些列表可以像算法的名称一样简单，并且随着您的兴趣和好奇心，可以增加复杂性。

捕获算法详细信息--例如它们适合的问题类型（分类或回归），相关算法和分类（决策树，内核等）。当您看到新的算法名称时，请将其添加到列表中；当您遇到新问题时，请尝试以前从未使用过的算法；在您之前使用的算法旁边进行标记等等。

巧妙管理算法的名称，这种荒谬而简单的策略可以帮助你摆脱压倒性的压力。您的简单算法列表可以为您节省大量时间，减少大量挫折，示例如下：

• 尝试新的和不同问题类型（时间序列，评级系统等）的算法

• 您可以调查的算法，以了解有关如何应用的更多信息。

• 按类别（树，内核等）处理算法类型。

• 避免固定最喜欢的算法。

快打开Excel开始创建自己的算法列表吧！

有关此策略的更多信息，请参阅“ 通过创建机器学习算法的目标列表来控制 ”一文。

https://machinelearningmastery.com/create-lists-of-machine-learning-algorithms/

当您想要了解有关机器学习算法的更多信息时，您需要对其进行研究。

产生研究算法的兴趣，主要原因是想要学习如何配置它并了解它是如何工作的。

做研究不仅仅适用于学术界。一些简单的提示可以帮助您收集有关给定机器学习算法的信息。

信息来源多样性学习的关键。以下是您可以参考的来源类型，用来获取您正在研究的算法信息。

• 权威资料，如教科书，讲义，幻灯片和概述文件。

• 诸如论文和文章等开创性的资料来源，其中首先描述了算法。

• 最先进的资源，描述了算法的最新扩展和实验。

• 启发式资源，如机器学习竞赛，问答网站和会议论文。

• 实施源，例如工具和库的开源代码，博客文章和技术报告。

您不需要是博士研究员也不需要是机器学习算法专家。

花点时间多挑选一些来源，收集您想要弄清楚的机器学习算法的本质，专注于用得上的以及可理解的，其他暂时忽略。

有关研究机器学习算法的更多信息，请参阅“ 如何研究机器学习算法 ”一文。

https://machinelearningmastery.com/how-to-research-a-machine-learning-algorithm/

您将在研究中发现，机器学习算法描述一般都是不完整的或不一致的。

其中一种方法是把您自己的迷你算法描述总结在一起。这是另一种非常简单且非常强大的策略。

您可以设计一个标准算法描述模板，其中只包含那些对于从算法中获得最大收益的细节，如算法使用启发式算法，伪代码列表，参数范围和资源列表。

然后，您可以在多个关键算法中使用相同的算法描述模板，并开始构建您自己的小算法百科全书，可以在未来的项目中参考。

您可能希望在自己的算法描述模板中使用的一些项目：

• 算法使用的标准缩写是什么？

• 算法的目标或目的是什么？

• 算法的伪代码或流程图描述是怎么样的？

• 使用该算法的启发式或经验法则是什么？

• 有关该算法的更多信息，有哪些有用的资源？

您会惊讶于这些描述的实用性。例如，我现在依然会用到我几年前收集总结的算法。

有关如何创建有效算法描述模板的更多信息，请参阅“ 如何学习机器学习算法 ”一文。

https://machinelearningmastery.com/how-to-learn-a-machine-learning-algorithm/

有关使用标准算法描述模板描述的更多信息，请参阅“ 聪明的算法：自然启发的编程配方 ”。

http://cleveralgorithms.com/nature-inspired/index.html

机器学习算法是复杂的系统，有时最好通过它们在实际数据集上的行为来理解。

通过使用小型数据集设计机器学习算法实验，您可以从中了解许多信息，关于算法如何工作、它的局限性以及如何配置它，以及如何将结果应用到其他问题上。

可用于研究机器学习算法的简单过程如下：

1. 选择您想要了解更多信息的算法（例如随机森林）。

2. 确定想要解决的算法问题（例如，树木数量的影响）。

3. 设计一个实验来找到该问题的答案（例如，在一些二元分类问题上尝试不同数量的树，并绘制与分类准确性的关系图）。

4. 执行实验并记录结果，以便复用。

5. 重复这个过程。

这是机器学习真正令人兴奋的方面之一，通过您自己的简单调查，您可以获得惊人的和最先进的结果。

有关如何从行为中学习算法的更多信息，请参阅“ 如何调查机器学习算法行为 ”一文。

https://machinelearningmastery.com/how-to-investigate-machine-learning-algorithm-behavior/

除了动手实现之外，没有其他方法能够更深入的了解机器学习算法。

在从头开始实现机器学习算法时，您将面临该算法实现下的无数微观决策。您可以用一些经验法则来掩盖这些规则，将它们全部作为参数公开给用户。

下面是一个可重复的过程，您可以使用它从头开始实现机器学习算法。

1. 最好选择一种您最熟悉的编程语言。

2. 选择要实现的算法，从容易的事情开始。

3. 在开发时选择一个问题来测试您的实现，2D数据有利于可视化（甚至是在Excel中）。

4. 利用许多不同的信息来源研究算法（例如阅读教程，论文，其他实现等）。

5. 对算法进行单元测试以确认您的理解并验证实施。

从小处着手，建立信心。

例如，适合作为第一个从头开始实现的机器学习算法是以下三种：

• 使用梯度下降的线性回归

• k-最近邻（参见我的Python教程）

  https://machinelearningmastery.com/tutorial-to-implement-k-nearest-neighbors-in-python-from-scratch/

• 朴素贝叶斯（参见我的Python教程）

  https://machinelearningmastery.com/naive-bayes-classifier-scratch-python/

有关如何实现机器学习算法的更多信息，请参阅“ 如何实现机器学习算法 ”一文。

https://machinelearningmastery.com/how-to-implement-a-machine-learning-algorithm/

另见帖子：

• “ 从头开始实现机器学习算法的好处 ”

  https://machinelearningmastery.com/benefits-of-implementing-machine-learning-algorithms-from-scratch/

• “ 实现机器学习算法时不要从开源代码开始 ”

  https://machinelearningmastery.com/dont-start-with-open-source-code-when-implementing-machine-learning-algorithms/

机器学习不是仅仅适用于数学精英。您可以了解机器学习算法的工作原理，以及如何在不深入了解多变量统计数据的情况下充分利用它们。

你不需要擅长数学。

正如我们在技术部分中看到的，您可以从算法列表开始，并深入过渡到算法研究，算法描述和算法行为。

你可以使用这些方法走得很远而不需要在数学上深入很多。

您不需要成为博士或学术研究员。

研究不仅仅适用于学术界。任何人都可以阅读书籍和论文，并编写自己对某个主题的理解，如特定的机器学习算法。

当你扮演“ 科学家 ” 的角色并开始尝试机器学习算法时，你将获得最大的突破，就好像它们是需要学习的复杂系统一样。您将发现可能无法记录的各种有趣的细节。

选择上面列出的技术之一并开始使用。

我的意思是今天，现在立刻开始。

不确定从哪里开始？

以下是5个好方法可以帮助你开始：

1. 列出10种用于分类的机器算法。

https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/

2. 找五本书，详细描述随机森林。

3. 使用您自己的算法描述模板在Naive Bayes上创建五张幻灯片演示文稿。

4. 打开Weka，“k”参数如何影响鸢尾花数据集上k-最邻近的准确性。

https://machinelearningmastery.com/how-to-run-your-first-classifier-in-weka/

5. 使用随机梯度下降实现线性回归。