2.海绵模式 

4.3 选择一个有趣的项目或领域 

Caret 为 R 语言中的模型包提供一个统一的界面。它还包括了预处理、数据拆分、模型评估的功能，使其成为一个完整的端到端解决方案。 

步骤 3：有目的实践 

统计学、编程和数学（也可以不需要编程） 

Kaggle 

在这之前你也许已经学习过机器学习了，但从我和朋友们的经验来看，往往会被各种神秘的符号、公式、大量的教科书和论文整的晕头转向，然后再也不想碰这恼人的玩意了。

A：注重大局，总是问为什么 

你可以先看看这些教程，给你的机器学习道路打下知识基础。 

1.实践完整的机器学习流程：包括数据收集、清洗、预处理，建立模型，调整参数和模型评估。 

维基百科有很多好资源，它有很多常见算法的伪代码。

2.在真实的数据集中练习，逐渐建立哪种模型适合哪种挑战的直觉。

4.机器学习项目 

你怎么知道模型是否出现“过拟合”？ 

深度参与到感兴趣的项目和领域中

恭喜你到达了自学指南的终点

你需要进行降维操作吗？你可以使用什么方法？ 

这里有一个好消息，如果你已经遵循并完成了所有任务，那么你在应用机器学习上将会比 90% 自称是数据科学家的人更好。 

Scikit-learn 和 Sklearn 是通用机器学习中 Python 的黄金标准库，它具有常规算法的实现。 

https://elitedatascience.com/learn-python-for-data-science

Elements of Statistical Learning 

你可以如何拆分数据集？ 

老实说这是机器学习最好的部分了。这是一个强大的工具，而一旦你开始理解，很多想法都会主动找上门。 

C：继续前进，不要气馁 

这是一个合理的问题！ 

好了，现在到了真正有趣的部分了。到目前为止，我们已经涵盖了前提条件、基本理论和有目的实践。现在我们准备好进入更大的项目。 

然而，如果你想把机器学习更灵活的应用于日常工作，学习一些基础理论还是很有好处的，而且你并不需要完全弄懂。下面我们会剧透学习机器学习理论的 5 个理由。

从简单开始，在尝试编写随机森林前，先执行一个决策树。

在进行机器学习工程的时候，想想以下问题： 

任务：从以下选项中选择 5 到 10 个数据集。我们建议从 UCI 的机器学习库开始，例如你可以选择 3 个数据集，分别用于回归、分类和聚类。 

D：视频比教科书更有效