【51CTO.com原創稿件】機器學習可以說是人工智能的核心，是使計算機具有智能的根本途徑。隨著人工智能的火爆，不少IT人加入了機器學習領域的大軍。對剛剛入行的機器學習新人來說，不怕吃苦但最怕走彎路白白浪費時間。
不知群里是否有從事機器學習領域的伙伴，一起分享和探討一下機器學習過程中走過的彎路。
以下內容來自51CTO開發者微信交流群的討論分享
51CTO小助手:
你在學習時是看中論文？還是更注重實踐？模型的力量有多大？歡迎大家分享自己的觀點

廣州-timo:
肯定更注重實踐啊！現在感覺論文的那些東西都好水！

運維/java-陳興-北京:
最嚴重的就是云計算 大數據這塊的論文水的太厲害了，人工智能也水

云計算-北京-Angie.Z:
人工智能是實踐性學科

北京-肝帝-運維:
這個是不是 就是玩算法？

云計算-北京-Angie.Z:
算法、模型、框架

北京-肝帝-運維:
大家都是實踐中不過這個是人工智能 核心比較高端的技術，誰有好的學習資料推薦，可以先瞻仰一下。

運維-北京-zhangcheng：
我們***不要一味相信論文，尤其是各種解釋(經典算法，優秀論文除外)。NN就是個黑盒，誰也別說誰。

安全-藍宇-北京：
我們能做的，就是去實踐去復現，去去偽存真，去發現其中真正的本質所在。

運維-江蘇-騎兵：
DL\ML其實是一門實踐性的學科，只有通過實驗才能把握到其中的細節與真諦。雖說也是在寫程序，但是DL的程序基本上無法直觀地debug，所以非得自己去復現一下，實踐一下，用performance來說話，才知道有沒有出錯。

云計算-鳶瑋-北京：
永遠不要迷信某個特定的模型，不要因為random forest在某個任務上效果好，就以后遇到什么任務都上random forest。

廣州-timo:
學習資料？可以找幾個玩自動駕駛汽車的學習一下；自動駕駛汽車把人工智能的幾個階段L0-L5，每個階段是啥樣分的非常的清晰。

運維-北京-zhangcheng：
學各種算法的時候，書上一般會告訴你這個算法有balabala優點一堆，但是一般不會告訴你這個算法也有balabala一堆缺點，我花了蠻長時間在這個坑里，慢慢摸索各種不同模型的特性。
北京-肝帝-運維:
機器學習:例 汽車必須通過攝像頭識別停車標志。構建了數以百萬計的街邊物體照片數據集，并訓練算法來預測哪些街邊是有停車標志。@廣州-timo 自動駕駛的確是一個典型的場景

北京-肝帝-運維:
這個還有培訓班呢

運維/java-陳興-北京:
這玩意的培訓班 一般的誰敢去，全世界都在摸著石頭過河，培訓班也就教demo教工具，自學都可以的東西。吳恩達搞過 但是普遍觀點是能出來深度學習工程師 而不是深度學習研究員 還有這些工程師也是屬于自學能力比較強的 學歷怎么也得是碩士的那幫

北京-肝帝-運維:
嗯 培訓應該也是交一些語言和工具

運維/java-陳興-北京:
國內的培訓機構誰敢說自己比吳恩達牛逼。有哪個培訓機構教你數學，數學分析概率論這玩意沒數學基礎誰玩得轉

51CTO小助手:
自學貴在堅持，培訓的話應該也就是可以入個門吧？

運維/java-陳興-北京:
入門？我看費勁，深度學習不比別的，這玩意吃數學基礎

北京-肝帝-運維:
對，現在這個方面的門檻很高，估計研究生都是站一邊看的那種

運維/java-陳興-北京:
培訓機構就是為了賺錢，賺錢就代表是速成，速成的你指望基礎有多好么。而且數學這玩意吃天賦 吃時間

51CTO小助手:
嗯吶，英語也是加分項主流書籍文獻能直接閱讀***，雖然接收翻譯，雖然現在咱國內的也不錯

運維/java-陳興-北京:
翻譯這玩意就容易二次加工了，本來書籍就是作者個人觀點翻譯肯定會二次加工。推薦啃官方文檔 和自己閱讀外文書籍，說實話真的去深度學習培訓機構出來的，充其量也就是腳本小子那級別

天馬-無業-北京:
https://github.com/daimalaoge/uc_manager

北京-陽陽-安卓:
我正在看《人工智能》，盧奇的那本，國外大學的教材

全棧-Leon-哈爾濱:
有研究react native的小伙伴嘛？

北京-陽陽-安卓:
這本書的譯者，林賜，是貝爾實驗室的人工智能研究員，可靠性還是有的

51CTO小助手:
有沒有小伙伴要改行做機器學習或者人工智能的呢？

半個IT-廣州-小星星:
有興趣，但么經驗

數通~北極熊~沈陽:
ai啊，有，難嗎？

網絡-凱-北京:
想轉，感覺很難呀～

安卓-救贖-北京:
想轉，數學基礎太差了

網絡-凱-北京:
我也是搞數通的，沒有開發基礎，肯定要花苦功夫才行的

java 小白 廣州:
數學，就那樣了，學不好的，這才是感慨

51CTO小助手:
結合好自己的領域知識學習，也能有一定的競爭力

運維-江蘇-騎兵：
不要求快，沒有捷徑。自己首先有個心理預期，數學好的入門也得一年半載的，數學需要補基礎的估計要1-2年。可以去上培訓班，交點錢，但也就跟機器學習混個臉熟。想入門還得花時間慢慢磨，真的沒捷徑！

網安-Kevin-北京:
嗯嗯嗯

云計算-鳶瑋-北京：
模型不求多，精通幾個常見的，把機器學習的套路摸透就可以了。比如LR，樸素貝葉斯，決策樹，基于SVD相關的簡單模型，如推薦系統等。
java 小白 廣州:
有時候發現，數學不好的邏輯思維其實也很棒，不知道你們是否也有同感呢？

半個網工-白學-廣州:
數學 到現在看到數學也是腦殼痛

51CTO小助手:
是的呀，不少同學反饋數學。。。但是掌握所有相關數學知識再開始學也不現實。

云計算-北京-Angie.Z:
不要求快，沒有捷徑。自己首先有個心理預期，數學好的入門也得一年半載的，數學需要補基礎的估計要1-2年。可以去上培訓班，交點錢，但也就跟機器學習混個臉熟。想入門還得花時間慢慢磨。

安全-藍宇-北京：
機器學習這套系統與傳統技術系統有個非常大的差別。搭建個web/app系統難度不大，且做的好與壞，短期內不好區分與評價。垃圾系統在用戶量不大的時候也能表現得不錯。只有在用戶量變得較大時，才會掉鏈子而遭打臉。 機器學習的系統不是這樣，它是分分鐘打臉。也就是我們常說的，這個系統不確定性較大，駕馭它的門檻略高。

前端-北京-大志：
機器學習還沒有達到批量化流水生產的階段，因此一個好的“老師傅”比自學效果好很多。不僅如此，老師傅們一般都有自己多年經驗總結出來的經驗，往往可以避免很多不必要彎路。但選擇老師傅應該注意是不是“掛羊頭賣狗肉”，尤其要提防跨專業但號稱多年的經驗的人，有很高的概率是在蹭熱點。

阿下-運維-北京：
不要把深度學習作為入門***課，建議從經典機器學習開始入手。雖然很多人都是沖著深度學習來的，但把深度學習作為機器學習***課不是個好主意。
原因：深度學習的黑箱性更加明顯，很容易學得囫圇吞棗；深度學習的理論/模型架構/技巧還在一直變化當中，并未塵埃落定；深度學習實驗對硬件要求高，不太適合自學或者使用個人電腦進行學習。

51CTO小助手：
有沒有什么好的機器學習的平臺？

云計算-北京-Angie.Z:

運維-江蘇-騎兵：
很多啊，一些國際巨頭在機器學習方面都很厲害，比如AWS、微軟。

安全-藍宇-北京：
AWS不錯。

51CTO小助手：
AWS Deep Learning AMI 為機器學習從業者和研究人員提供基礎設施和各種工具，促進云中任何規模的深度學習。可以快速啟動預安裝了 Apache MXNet 和 Gluon、TensorFlow、Microsoft Cognitive Toolkit、Caffe、Caffe2、Theano、Torch、Pytorch 和 Keras 等常見深度學習框架的 Amazon EC2 實例，來訓練復雜的自定義 AI 模型、試驗新算法或學習新技能和技術。
無論需要 Amazon EC2 GPU 實例還是 CPU 實例，都無需為 Deep Learning AMI 支付額外費用 – 只需為存儲和運行應用程序所需的 AWS 資源付費。
大家可以關注一下哦！

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】