用不同类型的数据集进行练习。练习你不熟悉的问题，这能推动你在寻求解决方法的过程中技术得到进步。了解数据集的不同特性，例如：

　　· 不同类型的监督学习，例如分类和回归。

　　· 不同规格的数据集，实例（instance）的数量从小于十个、数十、数百到数千。

　　· 属性（attribute）的数量不同的数据集，从小于十种、数十种、数百种到数千种。

　　· 属性类型不同的数据集，包括实数、整数、分类数、序数、混合等。

　　· 不同的领域，能迫使你快速了解新的问题。

　　使用UCI机器学习资料库（UCI MachineLearning Repository）

　　上面有最常用、最好理解的一些数据集，对入门来说非常好。

　　·了解更多：PracticeMachine Learning with Small In-Memory Datasets from the UCI Machine LearningRepository

　　利用机器学习竞赛，例如Kaggle

　　Kaggle上的数据集通常更大型，建模需要更多准备。

　　这篇文章列举了一些最常用的数据集：

　　Tour ofReal-World Machine Learning Problems

　　用你自己设计的问题练习

　　为适合你自己的机器学习问题收集数据，你会发现这非常有帮助。

　　第5步：做一个作品集

　　为你完成的项目建一个作品集，并好好利用。

　　在用数据集练习并不断进步的过程中，创建一个半正式的输出集合，总结你的发现。

　　· 你可以上传代码，并在readme文档中总结。

　　· 你可以在博客中发表你的结果。

　　· 你可以做成幻灯片。

　　· 你也可以做一个小视频传到YouTube上。

　　每一个完成的项目都代表着你的成长作品集的一页。

　　技巧提示

　　以下是有关机器学习的一些技巧提示：

　　· 从简单的程序（例如上文推荐的）和简单的工具（例如Weka）开始，有信心之后再进阶。

　　· 从最简单最常用的数据集入手(如iris flowers 和 Pima diabetes)

　　· 每次应用该程序，尝试做一些改进。

　　· 发现新方法时，找到把它整合到你的程序中的最佳方式。

　　· 研究算法，但只研究到能帮助你取得更好结果就够了。

　　· 向专家学习，研究怎样将专家的方法加入到你的程序中。

　　· 像研究预测建模问题那样研究你的工具，充分利用它们。

　　· 不要在简单的问题中耽搁，不断挑战更难的问题。

　　· 专注于清晰呈现的结果，结果越清晰，你的作品集的作用越大。

　　· 加入论坛和问答网站社区，提问并回答问题。

　　总结

　　这篇文章提出了一个简单的5步方法，你可以用它来开始机器学习的入门，并在应用中不断进步。

　　虽然方法简单，但只要你确实投入努力，就会得到回报。

　　我有许多学生正是这样成为机器学习工程师或数据科学家的。

　　豪华嘉宾阵容，j2直播，共飨 AI 盛宴

　　7 大院长齐聚新智元智库院长圆桌论坛