這是我在知乎上的乙個回答,整理以後發布掘金上,分享給大家,也和大家說說自己所遭遇的一些坑,一些過程,未來我會在掘金持續更新我的nlp學習之路,還請大家多多指教!
要說彎路,其實自己遇到了不少:
1:不要迷信最新的演算法和**:
一定要從最基礎的知識學起(當時去聽馬毅的報告,馬老師說如果你沒讀過前幾十年的**和演算法,你是做不出來成果的,當時觸動很大)
2:演算法一定要親自動手推導:
之前在討論的過程中發現很多人都說現在的框架這麼方便,演算法的推導已經不重要了,自己只需要學會調包會用就行,這樣的人我不能說他錯,但是也絕對不是覺得對,但是我覺得如果你想做一點成就,就把經典演算法都過一遍,會有很大收穫.
3:自學的效率往往很低:
這個是我自己走過最大的彎路，當時以為自己很努力，每天花很多時間在裡邊，結果方法不對，導致現在還是機器學習學不會，自然語言處理不及格，深度學習搞不懂。17年上半年遇到了幾位很不錯的老師和師兄師姐，他們給我很多的指導，讓我意識到我的方法是有問題的，並且跟人討論同樣的乙個問題，和自己理解的問題差很多，這是真的！
4:多動手實驗
經常實驗。這個是必須的，儘管可能很失敗，別愁寫**，別愁讀**，不讀不寫，怎麼都不會，結果做的跟理論差很多，也別沮喪，一遍不成兩遍，兩遍不成再試一遍，再試一遍還不成那就換換思路試試看！
5:清楚人與人之間的差距
這個最重要了。。。。智力差距是影響心情的重要因素。。。
機器學習 機器學習目錄
注 後期有時間的話會對每乙個演算法進行講解。1 普通線性回歸 2 廣義線性模型 3 邏輯回歸 4 線性判定分析1 決策樹基本原理與構建 2 cart演算法 3 回歸決策樹 4 分類決策樹1 貝葉斯定理與樸素貝葉斯 2 高斯貝葉斯分類器 3 多項式貝葉斯分類器 4 伯努利貝葉斯分類器 5 遞增式學習1...
機器學習 機器學習概論
3 模型評估與模型選擇 4.具體應用 統計學習 是關於計算機基於 資料 構建概率統計模型並運用模型對資料進行 分析 統計學習的三要素 模型在監督學習中，模型就是所要學習的條件概率分布或決策函式。這在後面的章節中會重點介紹。策略 評價模型的標準 用損失函式和代價函式來度量 錯誤的程度。1 幾種損失函式...
機器學習 機器學習基礎
資料集劃分的api 返回值 訓練特徵，測試特徵，訓練目標，測試目標 方式1 獲取小規模的資料集 importsklearn.datasets as datasets iris datasets.load iris 提取樣本資料 feature iris data target iris target...