在這個人人都可能是學霸的全民學習時代，為什么人與人的差距依然很大？像優(yōu)達學城這樣的學習網(wǎng)站可以為每一個人想要學習的人帶去技能和知識的補充，但要成為一個優(yōu)秀的人才，你還需要一點點…嗯…特性！在這篇文章中，曾供職于微軟的機器學習工程師從一個角度來談談成為優(yōu)秀的機器學習工程師必備的9大特性。

關(guān)于這個話題，你可能已經(jīng)讀到過許多從技術(shù)角度給出建議的文章，比如你應該要有怎樣的基礎(chǔ)知識，上什么課，讀哪些論文。本文將從另一個角度來解答這個問題，談談一個優(yōu)秀的機器學習工程師應該要有（或者說應該努力去培養(yǎng)）怎樣的特性。

01 你要能夠享受迭代開發(fā)的樂趣。

如果你想開發(fā)一個機器學習系統(tǒng)，你要首先快速地用一個簡單的模型開發(fā)一個最初版本，然后在此基礎(chǔ)上不斷迭代去改進它。

02 你要對于什么時候停止一個項目有很好的直覺。

對任何機器學習系統(tǒng)來說，只要繼續(xù)迭代下去，你總能得到更好的準確率。但從某個時刻開始，你所獲得的收益會超過你付出的精力。你要能找到這個點在哪里。

03 你要能坦然面對失敗。

你的模型和實驗中有很大一部分到最后都會失敗。這是沒關(guān)系的。

04 你應該是好奇心驅(qū)動的。

最優(yōu)秀的那一批人，真正對世界充滿好奇并用這份好奇心來驅(qū)動他們對機器學習的熱情。

05 ?你要有很強的數(shù)據(jù)直覺。

要善于發(fā)現(xiàn)數(shù)據(jù)中的模式。為了做到這一點，能夠迅速地用 R、Python、Matlab 或是 Excel 等工具制作可視化圖表是很重要的。

06 你要對指標（Metrics）有很強的感覺，做一個指標驅(qū)動的工程師。

你要能夠機建立合適的指標來衡量你的系統(tǒng)是否成功。你要很習慣做雙盲試驗，以及使用像是精確率（Precision）、召回率（Recall）、準確率（Accuracy）、ROC、轉(zhuǎn)化率（Conversion Rates）、NDCG 等這樣的名詞。

07 但你要時刻記住，指標（Metrics）并不是萬能的。

指標可以很好地從較高的層次描述你的系統(tǒng)表現(xiàn)如何。但與此同時，你也不應該放棄去直接觀察個別例子。手工地查看你的系統(tǒng)表現(xiàn)最好和最壞的例子，以及隨機抽樣的例子，能夠反映出許多指標所不能告訴你的問題。

08 你要能夠確立一個解決模型漏洞和錯誤預測的通用途徑。

零散地修復幾個 bug 只能讓你達到局部最優(yōu)，而且這些補丁的引入往往還會使你的模型更復雜，更難上手。你應該把所有的問題放在一起考慮，找出幾個通用的解決方案，從而確定在下一輪迭代時能夠解決哪些影響最大的問題。

09 ?在建立模型時，你要能夠從用戶的角度出發(fā)來考慮。

要開發(fā)一個你自己覺得好的系統(tǒng)很容易，但要讓你目前和未來的用戶滿意就很難了。以自我為中心做出決策也很容易帶有偏向，你要牢記這一點并盡力避免。

來源：數(shù)知榜單

精彩活動

福利 · 閱讀 | 免費申請讀大數(shù)據(jù)新書 第23期

推薦閱讀

2017年數(shù)據(jù)可視化的七大趨勢！?

全球100款大數(shù)據(jù)工具匯總（前50款）?

論大數(shù)據(jù)的十大局限

大數(shù)據(jù)時代的10個重大變革

大數(shù)據(jù)七大趨勢 第一個趨勢是物聯(lián)網(wǎng)

Q:?還有哪些機器學習的方法值得推薦？

歡迎留言與大家分享

請把這篇文章分享給你的朋友

轉(zhuǎn)載 / 投稿請聯(lián)系：hzzy@hzbook.com

更多精彩文章，請在公眾號后臺點擊“歷史文章”查看

總結(jié)

以上是生活随笔為你收集整理的收藏 | 来自微软大神的机器学习秘籍！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。