在我们进入机器学习世界之前，应该退后一步思考，是什么阻碍了我们入门？如果您考虑一下，大多数情况下，我们会以自己为前提，并假设这是正确的。我们对自己所做的最正常的假设是，在开始之前，我们需要先有知识，获得学位，完成课程或对特定主题有很好的理解。那么如何以正确的心态开始机器学习？精通机器学习需要大量时间，不会一次就学到所有东西，尤其是在一开始时。

每天开始做一点工作，而不是试图在开始之前就承认所有事情。您可以每天花费相当长的时间创建小东西来取得重大进展。完美的条件永远不会存在，在您的道路上做到，与之保持一致，结果就会来临。

每天开始进展甚微之后，您可能最终会为某些事情而挣扎或无法在某个时候实现目标。这种感觉很难受。很难看到自己没有取得任何进展，没有任何满足感，然后仍然不放弃。

机器学习是很难的，要在某个点上看到进展可能要花几周，几个月甚至几年的时间，但并不比其他任何技术技能都要难，它需要重复和奉献才能到达想要的地方，您需要测试它，犯一个错误并从中学习。

切勿将自己与正在与您一起学习或钦佩的人相提并论;相反，将自己与过去的自我进行比较，看看自己在五年前取得的进步?我敢打赌你已经改变了很多。

 您的机器学习

现在您已经有了思路，可以开始学习了，但是您仍然对机器学习是什么感到困惑。有一个很容易混淆的很好的理由，机器学习的研究领域很广，但是如果您专注于解决问题，那么其中很多与您无关。

机器学习领域涉及如何构建随经验而自动改进的计算机程序的问题。— 机器学习，1997年。

机器学习是一个广阔的领域，可以帮助您解决特定的问题，但是您无需了解所有问题。考虑将机器学习作为一种工具，考虑您要解决的问题以及所需的解决方案。

 为此，请尝试以最具描述性的方式描述您的问题：

找到一个模型或程序，该模型或程序可以最好地利用由输入和输出组成的历史数据，以熟练地预测给定将来出现新输入和未见输入的输出。

对您要解决的问题的清晰描述将丢弃机器学习的整个子领域，为您提供一个主导所有其他目标的明确目标，并且可能会为您提供一个完全适合机器学习领域的框架。

通过这种做法，您可以过滤所阅读的材料和选择的工具，以专注于要解决的问题。

 解决上述问题的最佳方法如下：

一种模型或过程，可自动创建历史数据中输入和关联输出之间的未知基础关系的最可能近似值。

对问题有明确的答案可以帮助您了解要解决的预测建模问题的不确定性，并设定合理的期望。

 学习如何学习

试着记住自己在中学/高中时的岁月，并选择数学等学习领域。考虑一下如何按周，按学期，按年，按年布置材料。有一种合理的方式来安排主题，这些主题相互重叠，并通过技巧，能力和理解的自然发展来引导。

问题是，这种逻辑上的进展可能只对那些已经在另一边并且知道如何将主题之间的点连接起来的人有意义，而且通过材料进行的逻辑上的进展可能不是学习的最佳且富有成效的方式。

这种学习方法不仅是教授技术主题的常用方法;这似乎是唯一的方法，至少直到您考虑如何学习为止。您是如何学习阅读的？你是怎么学会说话的?你是怎么学会开车的？

如果您停下来想一想，几乎所有您学到的和对您有价值的东西都没有经过逻辑上的发展。我们是情绪化的人类，需要动力，兴趣，注意力，鼓励和结果来学习新事物。

不要从一开始就开始学习。相反，首先将感兴趣的主题的点与所需的结果联系起来，并学习如何快速达到目标。

创建专注于获取结果的程序，根据需要更深入地研究某些领域，但是始终要获得所需的结果。刚开始时可能效果不佳，但随着实践的发展会有所改善。

也就是说，到目前为止，我最喜欢的技术是学习新知识，并且可以应用于任何领域。与其立即尝试学习所有内容，不如立即开始做自己想做的事情，立即开始做自己想做的事情，弄清楚需要学习什么才能使它变得可行。

以这种方式学习的好处超过了学习本身的挑战。您直接去做自己想要的事情，然后开始练习。您将获得更好的学习环境和学习硬知识的动力，并且可以根据您在该主题中的目标快速转移和过滤主题。

更快，更有趣，相信我。没有人能击败有工作乐趣的人。该主题将在情感上与您联系。您已将其附加到对您而言很重要的结果或结果上，而所有这些结果都可以激发动力，热情和激情。

 学习机器学习

基于我们上面的学习方法，不要开始使用先驱数学，机器学习理论来学习机器学习，也不要从头开始编写每种算法。相反，选择一个您想使用简单机器学习解决的简单问题。

选择问题后，弄清楚解决该问题所需的知识，并立即将其应用，而不必担心失败，请记住，您学到的几乎所有知识都是通过实践而不是从理论中学到的。

以上就是关于如何以正确的心态开始机器学习的全部内容介绍，想了解更多关于机器学习的信息，请继续关注。