原文： https://machinelearningmastery.com/practical-advice-for-getting-started-in-machine-learning/
David Mimno 是康奈尔大学信息科学系的助理教授。他具有自然语言处理（NLP）的背景和兴趣，特别是主题建模。值得注意的是，他是 MALLET 的主要维护者，这是一个基于 Java 的 NLP 库。
我最近发现大卫的一篇博文，题为“为机器学习的学生提供建议”。这是一篇很棒的文章，包括我给程序员和辅导学生的类似建议。
这是一篇很棒的帖子和很棒的建议，我在这篇博客文章中为您总结了这些内容。
大卫推荐一些非常高级的书籍作为介绍性文章。原因是他的学生都是研究生并且能够应对挑战。我自己不推荐这些文本。
不过，他建议的文字是：
这些可能是现在可用的一些关于机器学习的最佳教科书的选择。当你看到麻省理工学院，斯坦福大学，康奈尔大学和其他美国领先学校的研究生课程时，你会一次又一次地看到它们。
大卫评论说，你可以学到的关于线性代数，概率和统计学的任何东西都是有用的。
他接着建议了几本关键书：
实用的机器学习建议
在提出一些介绍性资源后，David 继续在现场开始时提供一些实用的建议。
- 不要指望第一次得到任何东西。 David 建议从多个不同来源阅读相同方法的描述。这与我在算法描述模板中提出的建议相同，我出于必要而提出。
- 实现模型。我同意 David 的观点，在你自己实现它并将其付诸实践之前，你无法完全理解这个模型。 David 建议将您的实现与其他实现进行比较，例如开源中的实现，并寻找并理解所使用的任何提高效率的数学或编程技巧。
- 阅读论文。大卫讲述了一篇关于每日通勤隐藏的论文的轶事。考虑选择算法或问题，并阅读与该论文相关的主要来源。
- 挑选一张纸并在其中生活一周。大卫建议成为一个有纸的人，并且在你熟悉它之前要思考一周。例如，他建议您填写任何派生方程的进展中的空白。我可以根据经验说话，建议你仔细挑选你的论文。我选择的文件花了我多年的时间来交流。
大卫用完美的 John von Neumann 引用完成：
年轻人，在数学中你不懂事物。你只是习惯了他们。
紧紧抓住这句话。事情一段时间没有意义。继续阅读和播放，直到点击（或者至少你有一个功能性的经验理解）。
你有任何辛苦的实用机器学习建议吗？