提升机器学习技能：完成吴恩达课程后该做什么？

📢 转载信息

原文链接：https://machinelearningmastery.com/leveling-up-your-machine-learning-what-to-do-after-andrew-ngs-course/

原文作者：Jason Brownlee

---

你已经完成了吴恩达（Andrew Ng）的机器学习课程（或深度学习专项课程）了吗？如果是，那么恭喜你！这是一个重要的里程碑，标志着你已经掌握了构建强大机器学习模型所需的大部分基础知识。

现在的问题是：接下来该做什么？

这是许多人完成这些出色课程后会问的下一个问题。你在课程中学到了很多知识，但你感觉自己还不够熟练，还没有达到可以用这些知识来解决真实世界问题的水平。你可能正在寻找一份机器学习相关的工作，或者想在工作中应用它，但你还没有准备好。

我希望本文能帮助你理清思路，为你提供一个在完成吴恩达的课程后提升技能的清晰路线图。

1. 从理论到实践：亲手操作

吴恩达的课程非常出色，但它侧重于理论。你学到了什么模型，为什么它们有效，以及如何应用它们。然而，你没有花太多时间在如何实际操作它们上，比如如何处理真实世界的数据，或者如何将模型部署到生产环境中。

要真正提升技能，你需要将理论付诸实践。这是从“学生”到“从业者”的关键转变。

1.1 解决一个实际问题

选择一个你感兴趣的实际问题，并使用你学到的技能来解决它。这可能是你工作中的一个问题，一个爱好，或者一个 Kaggle 竞赛。

要点：

• 找到数据： 寻找一个可用的数据集。这可能是 Kaggle 上的一个数据集，或者你需要自己收集数据。
• 清理和准备数据： 这是最耗时的部分，但也是最重要的部分。你将学习如何处理缺失值、异常值和特征工程。
• 选择和训练模型： 选择一个适合你问题的模型（可能是课程中学到的一个模型），并训练它。
• 评估和调优： 评估模型的性能，并尝试改进它。

1.2 掌握核心工具

在课程中，你可能主要使用了 Octave 或 Python 基础库。要开始实际工作，你需要掌握一些标准的机器学习工具。

核心库：

• NumPy/Pandas： 用于数据处理和科学计算。
• Scikit-Learn： 用于经典的机器学习算法。
• TensorFlow/Keras 或 PyTorch： 用于深度学习。

不需要成为这些库的专家，但你需要知道如何用它们加载数据、预处理数据、训练模型和进行预测。

2. 深入特定领域

吴恩达的课程为你提供了机器学习的广度。现在是时候选择一个你感兴趣的方向并深入挖掘了。

2.1 深度学习：进阶之路

如果你在深度学习专项课程中有所收获，你需要开始思考如何将这些知识应用于更具体的领域。

• 计算机视觉 (CV)： 学习卷积神经网络 (CNN) 并尝试图像分类、目标检测等任务。
• 自然语言处理 (NLP)： 学习循环神经网络 (RNN)、长短期记忆网络 (LSTM) 或更现代的 Transformer 架构，并尝试文本分类、情感分析或机器翻译。

我推荐： 从一个相对简单的任务开始，比如使用 Keras 进行文本分类，或者使用一个预训练模型（如 VGG16）进行图像分类。

2.2 经典机器学习：精进基础

不要忽视传统的机器学习方法。它们在许多场景下仍然非常有效，而且往往更容易解释和部署。

• 集成学习： 深入学习 随机森林 (Random Forests) 和 梯度提升机 (Gradient Boosting Machines, GBMs)，如 XGBoost 或 LightGBM。这些在结构化数据竞赛中非常流行。
• 模型解释性： 学习如何解释你的模型。例如，使用 LIME 或 SHAP 来理解模型为什么做出特定预测。

3. 扩展你的工具箱

机器学习不仅仅是训练模型。一个完整的机器学习项目需要一系列工具来管理数据、代码和模型部署。

3.1 版本控制与协作

如果你还没有这样做，请立即开始使用 Git 和 GitHub。这是现代软件开发（包括机器学习）的基本要求。

你需要学会：

1. 初始化一个 Git 仓库。
2. 提交你的代码更改。
3. 使用分支进行实验。
4. 将你的项目推送到 GitHub。

3.2 部署模型 (MLOps 基础)

你训练的模型只有在被使用时才真正有价值。学习如何将模型投入生产是一个重要的技能。

可以尝试的简单部署方式：

• 使用 Flask 或 Streamlit 创建一个简单的 Web 界面来接收输入并返回预测结果。
• 学习 Docker 基础知识，将你的应用打包，使其易于在任何地方运行。

4. 持续学习与社区参与

机器学习领域发展迅速。你不能只停留在完成课程所学到的知识上。

4.1 阅读最新的论文和博客

关注该领域的最新动态至关重要。吴恩达的课程内容是几年前的经典，但现在已经有了很多新的进展。

• arXiv： 关注 cs.LG (机器学习) 和 cs.CV (计算机视觉) 分类。不需要读完所有内容，但要了解最新的趋势。
• 顶会论文： 关注 NeurIPS、ICML、ICLR 等顶级会议的摘要。
• 博客： 阅读 Google AI Blog, OpenAI Blog, 以及像 Machine Learning Mastery 这样的专业博客。

4.2 参与开源项目

参与开源项目是学习的最佳方式之一。你可以看到别人是如何组织代码、处理数据和解决问题的。

建议：

1. 尝试在 GitHub 上找到一个你感兴趣的、标记了 “good first issue” 的机器学习项目。
2. 阅读相关工具（如 Scikit-Learn, Keras, PyTorch）的文档，并尝试修复一个小的 Bug 或改进文档。

总结

完成了吴恩达的课程是一个很好的开始，但它只是一个起点。要真正成为一名熟练的机器学习从业者，你需要实践、深入、扩展和持续学习。

花时间在实际项目上，掌握核心工具，专注于一个感兴趣的领域（如深度学习或经典 ML），并学习如何部署模型。通过这种方式，你将能够自信地将理论知识转化为生产力。

---

🚀 想要体验更好更全面的AI调用？

欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。