近年來，全世界對機器學習的需求正在蓬勃發展，引起了很多人的興趣。很多數據科學家、軟件工程師和數據分析師都在快速進入這個領域，以期在將來有一個更好的職業發展前景。

然而，很多初學的朋友因為剛剛接觸這個領域，難免有些摸不到頭腦。在網上看的文章也是眾說紛紜，不知道該何去何從。

因此，本文梳理了一些針對初學者的建議，以便讓大家能夠在學習過程中少走一些彎路。

1.先設定一個方向與目標機器學習是一個快速發展的領域，每年都會有很多新的內容出現，而且其應用范圍又極為廣泛。從自然語言處理到圖像識別，從數據挖掘到精準營銷，再從金融風控到量化交易，到處都是機器學習的影子。在面對如此龐大的體系時，初學者很容易出現一種“因為不知道哪個方向好，所以無從下手”的狀態。更有可能這個方向涉獵一點，后面對另外一個方向又產生了興趣，于是又轉了方向，導致每個方向都淺嘗輒止，沒有真正的建樹。

這里給初學者的建議是：先選定一個方向，并且設定一個小目標。在達到這個目標之前，先不要換方向。實際上不論是何種應用，背后的技術原理大同小異，因此把一個方向吃透并且獲得成就之后，即使再轉向新的應用方向也會比較得心應手。

2.學會跑之前，先學會走由于很多前沿的應用太過于炫酷，很容易讓初學者產生一種馬上就要投身進去的沖動。例如機器學習中的深度學習和自然語言處理。但這些子領域其實都是建立在機器學習的核心基礎知識之上的，所以最開始時，一定要專注于核心基礎知識上。一旦我們掌握了核心基礎知識，后面延展到更高級的方向時，也會感覺容易很多。

3.一定要理論和實踐相結合可以說，機器學習這門技術，是世界上理論與實踐結合最緊密的學科之一。實際上，整個計算機科學領域也都有這種共性。有的時候，大家會看到在一些網絡論壇上，很多人為了爭論理論吵得喋喋不休，但他們卻從來沒有真正動手做過項目，所有的討論都是空中樓閣；另外有些工程師，他們會非常熟練地使用各種工具，但是對背后的原理卻知之甚少。實際上這兩種狀態都不可取，只鉆研理論或者只關注應用，都會在將來影響大家的職業發展。

我的建議是，在學習的過程中，大家先對機器學習中的算法原理有一個大致的了解，然后再應用這個算法去解決一些實際問題，再反過來想一想還有沒有改進的空間。例如我為什么要使用這個算法？是不是還有更適合這個問題的算法？這個參數是什么意思？我該如何調節它等等。

4.試著自己動手寫一些算法雖然現在有很多非常方便的機器學習建模工具，可以讓用戶甚至一行代碼都不用寫，就可以實現機器學習模型的訓練和部署，不過我還是建議大家不妨自己動手，用代碼來實現一些簡單的算法。這樣做會讓大家對算法有更深入的理解，如果日后工作中需要對某些算法進行改進，這樣的經驗會讓大家更加得心應手。

5.從統計學層面理解算法有一部分從事機器學習職位的人，是從計算機科學領域轉過來的。而機器學習其實和統計學有著非常非常緊密的聯系。同樣一個算法，從計算機科學的角度來進行解釋，與從統計學的角度進行解釋，是會有不同的說法。因此，從統計學的角度去理解機器學習算法，對大家非常有幫助。

6.多思考應用場景有些朋友在學習過程中，很容易沉迷于工具或者是算法的使用，而忽視了應用場景的特點。實際上，機器學習能否起作用，或者說能夠產生價值，和應用場景的特點密切相關。換句話說，如果大家對業務場景不夠熟悉，不知道哪些數據對于結果有決定性作用，那么即使訓練出來的模型可能也沒有實用的價值。這就成了一種舍本逐末的行為了。所以，一定要在準備數據的階段就深入思考業務場景，讓模型更具有使用價值。

7.不要相信炒作現在很多媒體為了吸引眼球，都會夸大其詞。我們常常會看到一些如同科幻小說一樣的報道，還有一些文章不惜鼓吹人工智能的發展將會導致人類大規模失業。更有甚者，甚至提出駭人聽聞的威脅論，說人工智能未來會進化為超級物種，并且會與人類為敵，并在自身進化到一定地步便會統治人類、奴役人類。對于這樣的文章或是宣傳，大家不要當真。不管是人工智能還是機器學習，都是我們用來開展工作和學習的工具，但它也僅僅是各種工具中的一種而已，沒有必要把它看得太過于神奇，以平常心對待即可。

8.找到自己感興趣的項目俗話說，羅馬不是一天建成的。機器學習也是如此，需要我們投入大量的精力和時間去鉆研。這個過程漫長且枯燥，非常容易讓初學者覺得無法堅持下去，以致于中途就放棄了。因此，找到自己感興趣的項目，可以幫助大家更好地堅持學習。例如你喜歡炒股，那就試試訓練一個預測股價的模型。或者你喜歡足球比賽，那么可以試試用模型預測一下哪一只隊伍會獲得冠軍，等等。切記，好的學習者一定懂得如何讓自己在學習過程中感到快樂。

9.記得鍛煉身體最后一點，也是最重要的一點。如果大家真的決定走上數據科學這條職業發展道路，那么一定要養成鍛煉身體的習慣。這個領域的工作強度很大，沒有好的體魄會讓你感到力不從心。另外，好的身材也會讓你的職業發展更加順利，畢竟，人們更喜歡風度翩翩的科學家。