其實，機器學(xué)習(xí)一直在解決著各種重要的問題。比如說90年代中期，人們已經(jīng)開始用神經(jīng)網(wǎng)絡(luò)來掃描信用卡交易記錄，從中找到欺詐行為；90年代末，Google把這項技術(shù)用到了網(wǎng)絡(luò)搜索上。

　　但在那個時候，機器學(xué)習(xí)還和普通的工程師無緣。開發(fā)一個機器學(xué)習(xí)系統(tǒng)，需要讀個PhD，還得找到一群想法類似、志同道合的朋友。

　　現(xiàn)在，機器學(xué)習(xí)終于更強大也更親民了。

　　一個普通的軟件工程師，不需要去專門回爐重造讀個研究生，就能運用機器學(xué)習(xí)開發(fā)出非常不錯的系統(tǒng)。

　　當(dāng)然，普通的碼農(nóng)要用好機器學(xué)習(xí)，還得補一些課，學(xué)一些數(shù)據(jù)技能。InforWorld的這篇文章就講述了一些技巧和策略，能夠幫助開發(fā)者們更有效地使用機器學(xué)習(xí)。

讓數(shù)據(jù)說話

　　在良好的軟件工程實踐過程中，你經(jīng)常能通過推理得到所需的設(shè)計，寫好軟件部分，然后直接且獨立地對這個解決方案進(jìn)行檢驗。

　　有時候，你甚至能從數(shù)學(xué)上證明你軟件是正確的。但這在實際問題中往往較難實現(xiàn)，尤其是要考慮人類參與的時候，但如果你有良好的規(guī)范，你仍可以執(zhí)行一個正確的解決方案。

　　但機器學(xué)習(xí)不一樣。大體上，你不需要一個嚴(yán)格的規(guī)范。你有了能表示系統(tǒng)以往經(jīng)驗的數(shù)據(jù)，然后需要的是建立一個能夠在未來奏效的系統(tǒng)。

　　為了測試系統(tǒng)是否真的奏效，你需要在真實情況中評估它的表現(xiàn)。切換到這種“重數(shù)據(jù)，輕闡述”的開發(fā)模式會有很大阻力，但這是你構(gòu)建機器學(xué)習(xí)系統(tǒng)的關(guān)鍵一步。

學(xué)會辨識更優(yōu)的模型

　　比較兩個數(shù)字的大小是很簡單的事情。假設(shè)它們都是有效的值（不是非數(shù)字類型），你只需要判斷哪個值更大，就結(jié)束了。

　　而在比較機器學(xué)習(xí)的準(zhǔn)確性時，問題就不這么簡單了。

　　你要比較的模型有大量的輸出結(jié)果，而沒有一個明確的答案。構(gòu)建機器學(xué)習(xí)系統(tǒng)所需的一項非?；镜哪芰Γ褪峭ㄟ^觀察兩個模型之前制定的決策，決定哪個模型更符合你的問題情境。

　　做出這個判斷，你需要將這些數(shù)據(jù)做整體考慮而不是某個單一的值。這通常也需要你能夠很好地進(jìn)行數(shù)據(jù)可視化，比如說使用柱狀圖，散點圖和許多其他相關(guān)的數(shù)據(jù)表示方式。

對你的結(jié)論保持懷疑

　　與判斷哪個模型更好一樣，對你自己的結(jié)論保持懷疑同樣很重要。

　　你的結(jié)果是否只是統(tǒng)計上的偶然，數(shù)據(jù)變多后就不再成立？在你評估后情況是否發(fā)生了變化，因此之前的決策是否仍有效？

　　搭建一個內(nèi)嵌機器學(xué)習(xí)的系統(tǒng)意味著你需要時刻確認(rèn)系統(tǒng)依然在做你一開始布置的任務(wù)。這種懷疑精神是在變化的現(xiàn)實情況中進(jìn)行模糊比較所必須的品質(zhì)。

搭建多個模型以便篩選

　　在軟件行業(yè)有一句老話，你構(gòu)建的第一版系統(tǒng)是注定要扔掉的。這句話的含義是，直到你實實在在搭建了一個有效的系統(tǒng)之后，你才能充分理解問題從而更好地搭建系統(tǒng)。所以你可以先通過構(gòu)建一個版本來積累經(jīng)驗，隨后把學(xué)到的經(jīng)驗應(yīng)用到設(shè)計中，構(gòu)建出實際的系統(tǒng)。

　　對于機器學(xué)習(xí)來說，情形相同乃至更甚。搭建一個系統(tǒng)來練手還不夠，你要做好搭建數(shù)十上百個版本的準(zhǔn)備。有些版本可能用的是不同的學(xué)習(xí)方式，或者只是不同的參數(shù)設(shè)置；另外一些版本則是對問題或者訓(xùn)練數(shù)據(jù)完全不同的重述。

　　舉例來說，你可能會發(fā)現(xiàn)在你想預(yù)測的信號之外，還可以用其它的替代信號來訓(xùn)練模型。這樣，你可能會有十倍于原始的數(shù)據(jù)來訓(xùn)練。或者你可以去嘗試用另一種方式來重述問題，使其變得更易解決。

　　這個世界瞬息萬變。比如說你搭建模型檢測欺詐行為的時候，即便你已經(jīng)搭建了一個成功的系統(tǒng)，仍需要在未來適時做出改變。因為騙子會識別出你的漏洞，從而改變它們的行為。你將會被迫采取新的對策。

　　所以為了取得成功，你需要搭建一系列用來丟棄的機器學(xué)習(xí)模型。不要寄希望于有一個永久適用的萬能模型。

無畏于改變

　　開始你想用機器學(xué)習(xí)解決的問題情景通常是不對的，甚至可能大錯特錯。因此，可能會遇到根本無法訓(xùn)練的模型，或是收集不到用于訓(xùn)練的數(shù)據(jù)，又或者模型訓(xùn)練出的最優(yōu)結(jié)果卻價值有限。

　　重新審視這個問題，可能會使得一個簡單的模型就具有很高的價值。

　　我曾經(jīng)遇到過一個有關(guān)推薦商品的問題，哪怕用上一些高大上的技能，想獲得一點微博的收益也很難。

　　但實際上，我們應(yīng)該關(guān)注的高價值問題是優(yōu)秀的商品何時上市。只要你知道了這個時間點，就有很多好商品可供選擇，“推薦什么產(chǎn)品”這個問題就迎刃而解了。

　　重新定義問題，讓整個項目更容易解決了。

“從小處做起”

　　將你的原始系統(tǒng)應(yīng)用到一些簡單情形或者是一個子問題上，是有很價值的。這會讓你集中精力獲得該問題領(lǐng)域的專業(yè)知識，并在搭建模型的過程中得到同伴的支持。

“從大處落筆”

　　確認(rèn)你擁有足夠多的訓(xùn)練數(shù)據(jù)。事實上，如果可能的話，你要收集10倍于本來預(yù)想中所需的數(shù)據(jù)量。

專業(yè)知識仍然很重要

　　在機器學(xué)習(xí)中，搞清楚一個模型怎樣決策或預(yù)測是一件事，更重要的是搞清楚真正的問題在哪。

　　就這點而論，如果你已經(jīng)擁有很多專業(yè)知識，那你更有可能提出恰當(dāng)?shù)膯栴}，從而能夠?qū)C器學(xué)習(xí)用到一個可行的產(chǎn)品中。要正確判斷哪里需要仔細(xì)檢查，專業(yè)知識非常關(guān)鍵。

編程能力仍然很重要

　　有很多工具意圖讓你僅通過簡單拖拽就完成搭建機器學(xué)習(xí)模型的過程。事實上，搭建機器學(xué)習(xí)系統(tǒng)的大部分工作跟機器學(xué)習(xí)或者模型毫無關(guān)系，而是在于收集數(shù)據(jù)以及搭建能夠使用模型輸出結(jié)果的系統(tǒng)。

　　于是，擁有良好的編程技能尤為重要。

　　盡管不同人在處理數(shù)據(jù)的代碼上存在一些風(fēng)格的差異，但彼此間要相互理解并不難。所以開發(fā)的能力在很多機器學(xué)習(xí)的問題中非常有用。

　　現(xiàn)在有很多工具和新興技術(shù)，讓幾乎所有的軟件工程師能夠針對有趣的問題開發(fā)出相應(yīng)的機器學(xué)習(xí)系統(tǒng)?；镜某绦蜷_發(fā)技能將會在這個搭建過程中非常有用，但在使用它們的時候你需要多多關(guān)注數(shù)據(jù)。

　　掌握這些新技能的最好方式，是從現(xiàn)在開始動手搭建一些有趣的東西。

來源：鳳凰科技