详细内容或原文请订阅后点击阅览
我希望在开始ML
第2部分：护栏，研究法规，阅读我希望在开始ML之前已经知道的帖子，首先出现在数据科学方面。
来源:走向数据科学，我分享了一些课程，这会使我的ML旅程更加顺利。写这篇文章始于躺在地中海沿岸某个地方的海滩上，远离日常工作的噪音时，是一种反思。事实证明，空间，沉默和海洋有一种方法可以提出我希望在开始ML之前知道的事情。
本文是该列表的第二部分。在我的上一篇文章中，我讨论了（1）做ML主要意味着准备，（2）论文就像销售宣传一样，（3）错误修复是前进的道路，（4）大多数作品（包括我的）不会使这一突破。
上一篇文章 那个本文的原则稍广泛 - 不介绍ML中的特定疼痛点，而是关于思维方式的更多原则。
5。您需要（灵活）边界
机器学习快速移动。每天发表新论文。有些被安静地上传（例如，arxiv），而另一些则带有新闻稿和精美的演示。想保持最新的趋势和突破，这是很自然的。
但是有一个问题：如果您尝试跟上一切，您最终将一无所获。该领域太大了，太分散了，太快了。
一切 什么都没有想到最近的诺贝尔奖获得者，杰弗里·欣顿（Geoffrey Hinton），戴米斯·哈萨比斯（Demis Hassabis）和约翰·辛珀（John Jumper）。所有人都因提出AI的领域而被授予诺贝尔斯的（股票）。获奖者并没有赢得这些备受追捧的奖品，因为它处于每种趋势的贡献。实际上，与许多其他著名的研究人员一样，其中许多人进入了自己的世界角落。
Richard Feynman是另一位诺贝尔冠军，著名的避免了时尚。他故意从主流物理学退后一步，探索对他感兴趣的领域，以制作“真正的好物理学”。 护栏 护栏使您可以将过滤器应用于所看到的所有内容：是，否，是，是，是，否。 持续学习 GitHub上列出的最新论文 和 不可能。 6。研究代码就是这样：研究代码 研究法规。 快速 我以前的帖子 很少 链接
Richard Feynman是另一位诺贝尔冠军，著名的避免了时尚。他故意从主流物理学退后一步，探索对他感兴趣的领域，以制作“真正的好物理学”。护栏
护栏使您可以将过滤器应用于所看到的所有内容：是，否，是，是，是，否。 持续学习 GitHub上列出的最新论文和