今天写英文PS的时候，翻自己原来写的中文的PS，写的很有意思，就拿过来放在这里了。
在大一大二阶段，我们主要学习数学的基础课程。我非常努力的学习了数学分析，高等代数，概率论等基础课程。除了上课认真听老师讲解，完成作业，我课下会去图书馆翻看不同版本的教材，体会不同作者的思维方式和解释问题的角度。例如，我们概率论上课使用的教材是Ross的《A First Course inProbability》, Ross的书中有大量的例子，他更注重方法的使用，一类场景建立一类对应的概率模型，再用相应的方法来解决。一个推论建立在上一个推论之上，环环相扣。相比而之，MIT的概率论教材《Introduction toProbability》，虽然是写给工科生的，但是非常引人入胜。这本书对很多的理论和概念提出了非常直觉化的理解，这种理解更像是本质，而非只是推导得出的结果呈现的。再者就是一直还未读完的钟开莱的《A Course in ProbabilityTheory》，入手的时候觉得这本书短小精悍，仔细翻来发现写的十分简洁，一如大数学家的风格。
到大二下学期，我开始逐步的学习统计学的课程。初初学数理统计这样的课程，略感到不适。因为此前学习的数学的架构与理念一直让人觉得完美而又精巧，统计学出现了太多样的方法以及不确定性。加上当时学习的统计知识少之又少，就更难以有什么深刻的理解了。这种状态直到大二小学期时才得到了转变。那个时候，来自Illinois统计系的Dr. Annie Qu到厦门大学给talk，讲的是一篇推荐系统的文章。虽然那时对推荐系统的研究方向毫无了解可言，不过文章里关于矩阵分解以及整个的矩阵设计让人感觉非常的切合与巧妙，这种“设计感”让我发现了统计学的妙处何在。Dr. Qu在talk的最后从推荐系统引到了CS和STAT研究方向上，她坚信很多CS做的问题如果由STAT的人来做一定可以弥补很多缺陷，并且做的更好，一定要为此努力。她那时的神情，我现在依然记得很清晰，着实是令人敬佩。
大三的时候，除了学习专业课。我一度跟着同学到计算机系去听他们的研究生的《机器学习》的课程。老师用的材料是Andrew Ng的课程笔记，这材料其实跟我导师组里开讨论班用的是一个，只不过不同的专业讲同一个东西站的角度完全不一样。统计学的人往往从数学以及公式推导上出发，一个算法的本质和核心就是相关的统计概率模型。而做CS方向的人更多的像在建立算法或者系统，然后把这个算法拿到不同的场景下实验，收敛快而好的就是好算法。虽然，他们不擅长推导证明，也没有模型的可解释性，但在整个步骤和算法设计上，很值得我们借鉴和学习。这也是我以后做统计方面研究时所应该广泛了解的。
网友评论