如果你決定開始學機器學習，并且按照常規(guī)的方式開始學習，那么很可能出現這樣的情況：學習線性代數和多變量微積分兩周后就選擇放棄。

原因在于，大多數機器學習的入門材料不是面向開發(fā)者的，而是面向機器學習研究人員開發(fā)的，而對于只想使用機器學習來構建產品的開發(fā)者來說，這些材料未免太難了。

在20年代末，機器學習或多或少只是一個學術研究問題，在實際產品中使用機器學習的公司并不多。

因此，很多機器學習的入門資料都是從這個學術研究的角度出發(fā)，它首先從數學的角度解釋了神經網絡、機器學習背后的理論知識、反向傳播和對抗性網絡等等。

即使不是屬于大學課程的學習資料也是沿用了這個模式，例如，這句直接摘自Tensor Flow的中的一句話：

很顯然，如果你已經掌握了機器學習背后的數學知識或者你對學習機器學習本來充滿了興趣，那么這種學習方法對你來說會是可行的。但是，如果你主要是想在構建產品加入機器學習，那么這可能不是你需要的。

就好比你想學習程序設計，這種方法就像先學習匯編代碼，然后學習寫代碼，事實是幾乎沒有面向產品的開發(fā)者是這樣學習的。

當你學習代碼時，你很可能是通過使用高級語言寫“hello world”來入門的，然后，當項目變得稍微復雜了些，你會按照需求學習越來越多的低級編程。

如果你在構建自動推薦引擎和發(fā)表論文，那么你就應該去學習機器學習本身，如果只是想構建產品，那么你需要通過構建軟件來學習機器學習。

如果你喜歡通過線上課程來學習，那么最好的資源或許就是fast.ai的Practial Deep Learning For Coders，fast.ai是最有發(fā)言權的機器學習倡導者，它推薦使用自上而下、理論實踐相結合的學習方法來學習機器學習。

課程鏈接：

https://course.fast.ai/

當然，這篇文章的目的不是為fast.ai做廣告，只是想說fast.ai的創(chuàng)始人Jeremy Howard和Rachel Thomas成功地把幾門課程整合在一起，這些課程讓開發(fā)者構建產品、深入了解項目相關的底層邏輯。

另外，如果你是那種通過深入了解并且自己構建知識體系，以此可以達到最大的學習效果的人，那么學習機器學習就和你學過的編程語言一樣。挑選一個聽起來讓你感興趣的項目，并深入其中學習就可以了。

這里推薦一種熟悉機器學習的好方法：

確定目標，例如構建文本自動填充器或車牌識別器。

找到一個適合你項目的預訓練模型，比如用GPT2和YOLOv3分別適用于前面提到的文本自動填充器和車牌識別器。

如果你覺得太復雜了，你甚至可以使用GPT2-simple這樣的庫來微調你的模型（根據數據集定制）。

最后，將你的模型部署成一項小型應用。

一旦你有了一個API接口的模型，你就可以像其他查詢web服務一樣，并且圍繞它構建你的應用程序。

通過這種學習方法，可以促使你了解到不同流行的模型構架和機器學習的方法，以及它們的使用場景。同樣重要的是，你將學習機器學習基礎構架，這對構建真實的產品至關重要。

如果你是一名工程師，你可能已經學習過實現了某種形式的身份驗證，這意味著你很可能用過散列密碼。

那么當你設置散列密碼時，你是否有自定義散列算法？你花了幾周時間去研究密碼學？還是說你只是使用內置的加密算法bcrypt。

同樣，當你構建你的第一個Web應用程序時，你是否花了幾周時間去學習數據庫？你是否從頭開始編寫自己的數據庫？還是說使用了你最喜歡的框架所附帶的ORM？

這些問題的邏輯同樣也適用于機器學習，如果你是那種喜歡構建軟件的人，那就從構建軟件開始，從工具、預訓練模型和機器學習框架中抽象出底層的機器學習理論。如果你依然很好奇或者你的項目需要更高的復雜度，那就深入進去，看看這一切是如何運作的。