看似简单，其实每一步背后、不同步之间都有大量的数学原理与计算框架的支持
随着人工智能培训课程的深入，我也慢慢开始熟悉起这个领域来，同时也发现了一些之前还没有意识到的问题，产生了一些想法，在此整理如下：
学习的困难因素——原来有这么多锁！
涉及的领域众多
机器学习是统计学、概率论、信息论、计算理论、最优化理论及计算机科学等多个领域的交叉学科，并且现在已经形成了一些独自成型的理论体系与方法论。有时为了调研一种算法，就发现需要了解多个领域的相关概念，很容易让人头大。
尤其对数学要求较高
虽然初学者并不需要先学好大量的数学知识才能开始，因为最基本的需要是数据分析，然后可以在掌握更多技术和算法的过程中继续学习数学。但是，如果没有很多必要数学知识的理论支持，只会感觉自己被淹没在接踵而至的众多“外星概念与不明推理”的海洋之中。
培训课程重编程而轻理论
虽然目前市面上已经有了很多的线上及线下培训课，但不少都是为了不至于开始就把学员吓退，在匆匆粗浅说明过理论后，就开始带领学员上手编程，一步步带着写代码，并运行出结果，看似很有成效，但其实很多学员根本不知为何要如此编程。
自己感悟——寻找钥匙之行
先学习框架和一般方法论
吴军老师曾在《谷歌方法论》中说过：做事情要先找好“边界”，在这个“边界”下做事，才会得到预期结果。对于我来说，比起培训课程及网上的零散知识，优先先去寻找至少一本公认较为体系化的书籍，先系统地了解机器学习的知识脉络，有了统一方法论的基本认知，这样在后续的学习中就可以“以不变应万变”，并能不断充实其中的“不变”。
注意选择网络学习资源
网上的相关资源浩瀚如海，但其实稂莠不齐，好内容与差内容的比例基本也符合二八定律。如果具备不错的鉴别能力就成为了关键。当然，这也需要上一步的准备：先了解了基本框架，以此作为“边界”
多补充数学相关知识
不少人缺少为了获取有用结果的必要数学直觉和框架。尽管机器学习和深度学习有无限的可能性，但对这些技术有一个全面的数学理解，对于理解算法的内部工作机制、获取好的结果是有必要的。
学习的基本
- 知其然，也要知其所以然
- 多投入时间和精力
写在最后
目前随着学习的深入，也发现了自己之前理解上的问题，重新梳理后，也整理出了更新后的脑图：
机器学习2.png
参考：
*《统计学习方法》第2版 (https://book.douban.com/subject/33437381/)
网友评论