理工酷

选择一个云平台

AWS，Azure和Google Cloud现在是市场上最大的云平台。这会简化许多基础架构和工具方面的考虑。

收集数据并处理数据

每个ML应用程序的核心都是数据。建议从结构化的表格数据开始，例如用户交互，交易或社会人口统计数据。为了大规模获取和修改此数据，可能需要学习SQL。如果碰巧已经了解一些SQL，建议参加一些课程，了解如何使用所选云平台（例如Amazon Redshift或Google BigQuery）的分析数据仓库。

了解数据

在对数据进行整理之后，应该选择一种具有统计功能的编程语言，例如Python或R。这里强烈建议使用Python，因为与R相比，应用程序的缩放和部署要容易得多且复杂得多。而且，Python ML社区更加丰富活跃且建议使用的云平台在很大程度上偏爱Python。 如果选择了Python，则需要研究一些“基本”库，例如Pandas，NumPy，SciPy，scikit-learn，matplotlib和seaborn，以便更好地理解，清理，处理，分析和可视化数据。完全了解数据后，ML应用程序才有用且成功。

了解机器学习算法是如何工作的。

完成此操作后，应该从数学以及编程的角度研究ML算法的工作方式。一些基本的建模方法是线性回归，逻辑回归，支持向量机，决策树和随机森林。另外，在构建模型时，需要了解一些基本的统计属性，例如偏差方差折中，中心极限定理（CLT）及其含义，维数和数据稀疏性的灾难。

开始构建

一旦掌握了正确的基础知识，就可以继续在所选的云平台上构建实际应用程序。例如，在Google Cloud Platform（GCP）上构建Tensorflow ML应用程序，会是一个比较好的选择。 此外，Google在GitHub上提供了几个Python ML示例。学习构建ML应用程序的最佳方法是从一些项目开始，然后逐步发展。 建议查看以下存储库（https://github.com/GoogleCloudPlatform/professional-services/tree/master/examples） 并尝试一些应用，例如客户流失预测，推荐引擎或情绪分析。

转载自：https://www.quora.com/How-do-I-start-building-machine-learning-applications