近年来，全世界对机器学习的需求正在蓬勃发展，引起了很多人的兴趣。很多数据科学家、软件工程师和数据分析师都在快速进入这个领域，以期在将来有一个更好的职业发展前景。

然而，很多初学的朋友因为刚刚接触这个领域，难免有些摸不到头脑。在网上看的文章也是众说纷纭，不知道该何去何从。

因此，本文梳理了一些针对初学者的建议，以便让大家能够在学习过程中少走一些弯路。

1.先设定一个方向与目标机器学习是一个快速发展的领域，每年都会有很多新的内容出现，而且其应用范围又极为广泛。从自然语言处理到图像识别，从数据挖掘到精准营销，再从金融风控到量化交易，到处都是机器学习的影子。在面对如此庞大的体系时，初学者很容易出现一种“因为不知道哪个方向好，所以无从下手”的状态。更有可能这个方向涉猎一点，后面对另外一个方向又产生了兴趣，于是又转了方向，导致每个方向都浅尝辄止，没有真正的建树。

这里给初学者的建议是：先选定一个方向，并且设定一个小目标。在达到这个目标之前，先不要换方向。实际上不论是何种应用，背后的技术原理大同小异，因此把一个方向吃透并且获得成就之后，即使再转向新的应用方向也会比较得心应手。

2.学会跑之前，先学会走由于很多前沿的应用太过于炫酷，很容易让初学者产生一种马上就要投身进去的冲动。例如机器学习中的深度学习和自然语言处理。但这些子领域其实都是建立在机器学习的核心基础知识之上的，所以最开始时，一定要专注于核心基础知识上。一旦我们掌握了核心基础知识，后面延展到更高级的方向时，也会感觉容易很多。

3.一定要理论和实践相结合可以说，机器学习这门技术，是世界上理论与实践结合最紧密的学科之一。实际上，整个计算机科学领域也都有这种共性。有的时候，大家会看到在一些网络论坛上，很多人为了争论理论吵得喋喋不休，但他们却从来没有真正动手做过项目，所有的讨论都是空中楼阁；另外有些工程师，他们会非常熟练地使用各种工具，但是对背后的原理却知之甚少。实际上这两种状态都不可取，只钻研理论或者只关注应用，都会在将来影响大家的职业发展。

我的建议是，在学习的过程中，大家先对机器学习中的算法原理有一个大致的了解，然后再应用这个算法去解决一些实际问题，再反过来想一想还有没有改进的空间。例如我为什么要使用这个算法？是不是还有更适合这个问题的算法？这个参数是什么意思？我该如何调节它等等。

4.试着自己动手写一些算法虽然现在有很多非常方便的机器学习建模工具，可以让用户甚至一行代码都不用写，就可以实现机器学习模型的训练和部署，不过我还是建议大家不妨自己动手，用代码来实现一些简单的算法。这样做会让大家对算法有更深入的理解，如果日后工作中需要对某些算法进行改进，这样的经验会让大家更加得心应手。

5.从统计学层面理解算法有一部分从事机器学习职位的人，是从计算机科学领域转过来的。而机器学习其实和统计学有着非常非常紧密的联系。同样一个算法，从计算机科学的角度来进行解释，与从统计学的角度进行解释，是会有不同的说法。因此，从统计学的角度去理解机器学习算法，对大家非常有帮助。

6.多思考应用场景有些朋友在学习过程中，很容易沉迷于工具或者是算法的使用，而忽视了应用场景的特点。实际上，机器学习能否起作用，或者说能够产生价值，和应用场景的特点密切相关。换句话说，如果大家对业务场景不够熟悉，不知道哪些数据对于结果有决定性作用，那么即使训练出来的模型可能也没有实用的价值。这就成了一种舍本逐末的行为了。所以，一定要在准备数据的阶段就深入思考业务场景，让模型更具有使用价值。

7.不要相信炒作现在很多媒体为了吸引眼球，都会夸大其词。我们常常会看到一些如同科幻小说一样的报道，还有一些文章不惜鼓吹人工智能的发展将会导致人类大规模失业。更有甚者，甚至提出骇人听闻的威胁论，说人工智能未来会进化为超级物种，并且会与人类为敌，并在自身进化到一定地步便会统治人类、奴役人类。对于这样的文章或是宣传，大家不要当真。不管是人工智能还是机器学习，都是我们用来开展工作和学习的工具，但它也仅仅是各种工具中的一种而已，没有必要把它看得太过于神奇，以平常心对待即可。

8.找到自己感兴趣的项目俗话说，罗马不是一天建成的。机器学习也是如此，需要我们投入大量的精力和时间去钻研。这个过程漫长且枯燥，非常容易让初学者觉得无法坚持下去，以致于中途就放弃了。因此，找到自己感兴趣的项目，可以帮助大家更好地坚持学习。例如你喜欢炒股，那就试试训练一个预测股价的模型。或者你喜欢足球比赛，那么可以试试用模型预测一下哪一只队伍会获得冠军，等等。切记，好的学习者一定懂得如何让自己在学习过程中感到快乐。

9.记得锻炼身体最后一点，也是最重要的一点。如果大家真的决定走上数据科学这条职业发展道路，那么一定要养成锻炼身体的习惯。这个领域的工作强度很大，没有好的体魄会让你感到力不从心。另外，好的身材也会让你的职业发展更加顺利，毕竟，人们更喜欢风度翩翩的科学家。