# 构建机器学习组合 > 原文： [https://machinelearningmastery.com/build-a-machine-learning-portfolio/](https://machinelearningmastery.com/build-a-machine-learning-portfolio/) ### _ 完成小型项目并展示您的技能 _ 设计师和艺术家通常使用投资组合向潜在客户和雇主展示先前工作的示例。 设计，艺术和摄影是工作产品具有创造性和经验性的例子，告诉别人你可以做到这一点并不像展示它们那样有价值。 在这篇文章中，我将说服您构建机器学习组合对您，其他人和社区都有价值。 您将了解机器学习组合的确切内容，可包含的项目类型以及如何使您的投资组合真正适合您。  展示您的机器学习项目 摄影： [chicagogeek](https://www.flickr.com/photos/chicagogeek/5337427276/sizes/l) ，保留一些权利 ## 机器学习组合的好处 如果您刚刚开始作为机器学习的初学者，或者您是一位经验丰富的老手，那么机器学习组合可以让您保持正确并展示您的技能。创建机器学习组合对您和其他人来说是一项宝贵的练习。 ### 为您带来的好处 建立一系列已完成的机器学习项目可以使您保持专注，积极性并在未来项目中发挥作用。 * **焦点**：每个项目都有明确的目的和终点。受努力和资源限制的小项目可以保持高速度。 * **知识库**：已完成项目的语料库为您提供了一个知识库，供您在舒适区域进一步推进项目时进行反思和利用。 * **Trajectory** ：有很多闪亮的东西需要调查，提醒自己，你正在寻找一个一致的收藏项目，可以作为一个杠杆，让你保持正轨。 ### 对他人的好处 其他人可以使用已完成项目的组合作为特定技能，沟通能力和驾驶示范的指标。 * **技能**：项目可以展示您在特定问题域，工具，库技术堆栈或算法方面的能力。 * **沟通**：项目必须至少从其目的和发现的角度来理解。良好的投资组合的管理需要良好的沟通技巧，在同义反复上证明你能够很好地沟通技术科目。 * **动机**：工作和完成副项目，无论范围大小都需要一定程度的自律。您设法组合投资组合的事实是您对该主题的兴趣和管理时间的能力的一个标志。 ### 对社区的好处 在公共场所共享您的项目可将益处扩展到更广泛的机器学习社区。 * **参与**：公共项目可以从第三方获得反馈，这可能会提供您和社区本身可以学习的扩展和改进。 * **起点**：公共投资组合项目可以提供其他人可以学习和构建的起点，也许是为了他们自己的小项目或严重的事情。 * **案例研究**：一个公共项目可以为一个独特或有趣的算法行为或问题分解提供一个研究点，这是创新的源泉。 希望，我已经说服你建立一个机器学习组合有一些你感兴趣的好处。接下来，我们将看看机器学习组合究竟是什么。 ## 构建机器学习组合 机器学习组合是已完成的独立项目的集合，每个项目都以某种方式使用机器学习。作品集展示了项目的集合，并允许审查各个项目。 有效机器学习组合的五个属性包括： * **Accessible** ：我主张以可公开访问的网页或公共代码库集合的形式公开投资组合。如果可能，您希望人们查找，阅读，评论和使用您的作品。 * **小**：每个项目的工作量，资源，最重要的是你的时间（10-20 小时）应该很小。你很忙，很难保持专注。请参阅我的小项目方法。 * **已完成**：小项目可帮助您完成项目。设定一个适度的项目目标并实现它。就像迷你实验一样，你展示了你的成功和失败的结果，它们都是有用的学习。 * **独立**：每个项目都应该是独立的，以便可以单独理解。这并不意味着您无法利用以前的工作，这意味着该项目本身就是一项独立的工作。 * **可以理解**：每个项目都必须清楚有效地传达其目的和发现（至少）。花一些时间，确保一双新鲜的眼睛明白你做了什么以及为什么重要。 [可能会激励您的四种小型项目创意](http://machinelearningmastery.com/self-study-machine-learning-projects/ "4 Self-Study Machine Learning Projects")包括： * 调查机器学习工具或库的属性。 * 研究机器学习算法的行为。 * 调查和表征数据集或机器学习问题。 * 用您喜欢的编程语言实现机器学习算法。 您可能没有想到的项目的一些想法是投资组合部分包括： * **课程作业**：您对机器学习相关课程（如 MOOC）的笔记和作业的清晰介绍。 * **书评**：通过阅读和查看机器学习手册，清晰呈现您的笔记。 * **软件评论**：您使用机器学习相关软件工具或库的清晰演示和工作示例。 * **比赛**参与：您清楚地呈现了参加机器学习比赛的笔记和结果，例如 [Kaggle](http://www.kaggle.com/) 。 * **评论**：一篇文章回应机器学习主题博客文章或你对问答网站上机器学习相关问题的详细回应，如 [Quora](http://www.quora.com/) ， [Reddit 机器学习](http://www.reddit.com/r/machinelearning)或 [CrossValidated](http://stats.stackexchange.com/) 。 既然您已经知道机器学习组合是什么并且有一些项目的想法，那么让我们来看看如何在您的投资组合中打造出令人敬畏的产品。 ## 让您的投资组 为了让您的投资组合大放异彩，您需要做一些轻松的营销。别担心，这不是那些粘糊糊的东西，只是老样子的说法。  炫耀你能做什么。 摄影： [Thomas Shahan](https://www.flickr.com/photos/opoterser/8471758247/sizes/l) ，保留一些权利 ### 代码库 考虑使用公共源代码存储库，例如 [GitHub](https://github.com/) 或 [BitBucket](https://bitbucket.org/) ，它们自然地列出了您的公共项目。这些内容鼓励您在每个项目的根目录中提供自述文件，描述项目的全部内容。使用此功能可以清楚地描述每个项目的目的和发现。不要害怕包含图像，图形，视频和链接。 提供下载项目和重新创建结果的明确指示（如果涉及代码或实验）。您希望人们重新运行您的工作，使其尽可能简单（即键入此内容进行下载，然后键入此内容以构建并运行它）。 ### 策划项目 你可以把 GitHub 上的任何旧项目打包在一起，但只包括你机器学习组合中最好，最清晰，最有趣的工作。 像画廊一样策划您的项目。选择那些最能展示您的技能，兴趣和能力的人。炫耀你可以做什么以及你做了什么。这些自我推销的想法可以反馈到您可能想要解决的项目中。明确你的愿景，你想去的地方以及你想要解决的项目将帮助你实现目标。拥有这个过程。  像画廊一样策划您的项目 [Marshall Astor](https://www.flickr.com/photos/lifeontheedge/1362949699/sizes/l) 的照片，保留一些权利 ### 目前的调查结果 花很多时间写出结果。解释它们与项目目标的关系。解释他们在域中可能产生的影响。如果您有另外一个月或一年深入研究该项目，请列出您可以或可以探索的扩展机会。 创建表格，图表和任何其他漂亮的图片，帮助您讲述您的故事。将您的发现写成博客文章。对于奖励积分，创建一个简短的屏幕演员，显示你如何得到结果和一个小的功率点演示，这意味着什么，把它放在 YouTube 上。此视频可以嵌入您的博客文章中，并链接到您的项目存储库自述文件。 根据您的发现以及它们对您的重要性（例如在 Kaggle 比赛中表现良好），您可以考虑创建技术报告并将其上传到 scribd 并将幻灯片上传到 SlideShare。 ### 促进你的工作 完成后，您可以共享每个项目的详细信息。您可能每周完成一次，具体取决于您在学习和/或工作中可以找到的空闲时间。在社交媒体上分享链接是一个良好的开端，例如 Twitter，Facebook 和 Google+。 我敦促你在 LinkedIn 上添加每个项目（或者只是你最好的项目）作为“_ 项目 _”。它支持项目的想法，你可能必须为他们创建一个列出的工作。考虑您的博客的名称，您的唯一交易公司或发明相关的工作和头衔，如“_ 机器学习掌握 _”（眨眼）或“_ 自学 _”。 既然我们已经有了一些关于如何使我们的投资组合大放异彩以及如何宣传的想法，那么可以看一下机器学习组合的一些例子。 ## 机器学习组合的趋势 代码组合的想法并不新鲜，它被纳入 GitHub。有趣的是，在最近对[数据科学家](http://machinelearningmastery.com/the-data-analytics-handbook-data-analysts-and-data-scientists/ "The Data Analytics Handbook: Data Analysts and Data Scientists")和[管理人员](http://machinelearningmastery.com/the-data-analytics-handbook-ceos-and-managers/ "The Data Analytics Handbook: CEOs and Managers")的采访中，甚至需要投资组合以及参与机器学习竞赛和完成在线训练。 就像编程访谈中的示例代码一样，机器学习组合正逐渐成为招聘的重要组成部分。 寻找良好（或至少填写）机器学习组合的示例。寻找在机器学习竞赛中表现良好的人，他们通常在他们的博客和公共代码库中描述了一系列惊人的项目。 寻找开源机器学习项目的贡献者，他们可以在他们的博客和公共代码库中拥有令人惊叹的教程，应用程序和软件扩展。 现在就开始。挖掘您的项目并将它们组合在一个故事中，该故事解释您在机器学习方面的知识，兴趣或技能。 ## 给你 您是否完成了机器学习项目或者您是否拥有项目组合？ 发表评论并将其展示出来。 您认为优秀的机器学习组合需要什么？ 更新，请参阅相关帖子： * [获得付费申请机器学习](http://machinelearningmastery.com/ladder-approach-to-becoming-a-machine-learning-consultant/)