# 通过寻找地标开始机器学习 > 原文： [https://machinelearningmastery.com/find-machine-learning-landmarks/](https://machinelearningmastery.com/find-machine-learning-landmarks/) 你从哪里开始机器学习？ 实际上是破土动工并开始提出动机问题？ 在这篇文章中，发现了一个个人故事，即如何在机器学习中找到地标，这对于一个软件工程师来说是不同的。  在机器学习中找到地标 照片由 [Craig Stanfill](https://www.flickr.com/photos/photo_fiend/7925660222) 拍摄，保留一些权利。 我在新的一年里收到了 Cliff Bryant 的鼓舞人心的电子邮件。 Cliff 是一位希望开始进行机器学习的高级软件工程师。他已经开始了他的旅程。在他的电子邮件中，他指出这不是一个动机问题，但寻找地标的问题帮助他开始了。 我想分享他的电子邮件（当然是他的许可），因为我觉得如果你还在试图弄清楚如何开始，这是鼓舞人心的。 > 我最初的机器学习问题，这种情况持续了好几年，是因为我无法看到森林中的树木。 > > 从外部看，机器学习看起来像是一个令人眼花缭乱的技术集合。我看不出不同方法之间的结构和关系。我不知道应该在特定问题中应用哪种方法，以及如何附加机器学习问题。 > > 现在我有几个机器学习在线课程，我开始看到一些一般的结构。例如，监督与无监督学习，回归与分类。 > > 我认为新机器学习的问题是“从哪里开始？”和“在哪里花时间学习？”在确定了这些标志后，我现在对扩大我的知识以包含其他技术更有信心。 > > 除了学习算法，技术和理论之外，还存在大规模操纵数据的实际问题。在这个领域看到一些例子是有帮助的，或者至少要概述一下发生了什么。在这方面，我认为 R 语言（在其当前实现中）仅限于适度大小的数据集（适合主存储器）。我认为 Python 是一种可以跨越范围数据规模问题的语言。 > > 一旦你开始看到机器学习领域的整体轮廓，这是有帮助的，从那时起，更容易看到新技术和算法如何适应整个框架。 > > 从一开始我的问题不是动机。从小就一直喜欢数学。我开始学习机器学习的问题是从哪里开始？ 好电子邮件！再次感谢分享克里夫。 如果你有自己的入门故事，我很乐意听到它。 在下面发表评论或[给我发电子邮件](http://machinelearningmastery.com/contact/)。