在人工智能領(lǐng)域內(nèi),我們往往重視項目和實戰(zhàn),大多數(shù)初級入行者總是享受完成一個項目帶來的成就感和快感,簡歷上寫的滿當(dāng)當(dāng)?shù)捻椖拷?jīng)歷。
但一旦在工作中遭遇復(fù)雜問題,就發(fā)現(xiàn)自己處處有短板,同樣的問題,別人花費(fèi)一周就能達(dá)到90%的精準(zhǔn)度,自己用一個模型跑了快1個月,才70%,問題在哪?
重點(diǎn)就是——
在于理論扎實與否。一個看似簡單的線性回歸模型,就有34種不同的解法,而你卻只會一種。高低效率的工作,其差別并不在于實戰(zhàn)經(jīng)驗的多少,而在于在動手前,知道選擇什么樣的模型是最優(yōu)解僅僅只會調(diào)參未來你的竟?fàn)幜絹碓降?或許理論者上手沒有有經(jīng)驗的那么快,但一旦熟悉,他的成長空間是巨大的,這也是為什么很多大廠考察面試員工,更多的是對算法細(xì)節(jié)的理解程度,而不僅僅是項目經(jīng)驗。
20%的理論基礎(chǔ)往往決定了你80%的上升高度。
而想要深層次掌握這些理論,在工作和研究中得心應(yīng)手,你就必須依賴于學(xué)習(xí)和拿握大量的經(jīng)典教材。
根本的理論基礎(chǔ)可以為我們選擇模型和調(diào)參提供有效的指導(dǎo)方向，從而提高工作效率。
當(dāng)你不僅知道知識怎么用，還知道為什么這么用時，再去實踐，能收獲比他人成倍的成果。
——然而人工智能方向的書籍這么多，復(fù)雜程度各不相同，那如何學(xué)習(xí)呢？
——我們可以分成“五大步驟”
步驟一 初始體系
首先在我們決定看教材之前,需要有一個籠統(tǒng)的認(rèn)知根據(jù)自己已經(jīng)了解的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的核心模型建立一個初始的框架。
而人工智能必須體系化地進(jìn)行學(xué)習(xí)，數(shù)學(xué)基礎(chǔ)是你要打好的基石，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)很多算法是并行的關(guān)系，但推薦從機(jī)器學(xué)習(xí)開始入門。你需要掌握以下知識點(diǎn)：
“數(shù)學(xué)基礎(chǔ)-機(jī)器學(xué)習(xí)-深度學(xué)習(xí)”
(1)數(shù)學(xué)基礎(chǔ)：線性代數(shù)——微積分——最優(yōu)化理論——概率論
(2)機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)導(dǎo)論、 評估模型 、線性模型 、決策樹模型 、集成學(xué)習(xí)、支持向量機(jī) 貝葉斯模型
(3)深度學(xué)習(xí)：神經(jīng)網(wǎng)絡(luò)基礎(chǔ)、卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用、 循環(huán)神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 、提升神經(jīng)網(wǎng)絡(luò)的高效性
步驟二 遴選核心
建立初始體系后,對各個教材中的每一個知識點(diǎn)進(jìn)行內(nèi)容確認(rèn),看不同教材對同一知識點(diǎn)是如何闡述的。（常用教材我在末尾做了分類）
可能大家會覺得線性模型很簡單，那我們就拿最簡單線性模型舉例,讓你加深對線性模型的認(rèn)知,感受到不樣的線性模型。首先根據(jù)教材,確定哪幾本講到了線性模型由于篇幅限制,那這里只把西瓜書、統(tǒng)計學(xué)習(xí)方法、PRML、ESL這四本的內(nèi)容列在這里。
1、西瓜書：
（1）介紹了線性模型的「基本形式」,線性回1歸、線性分類都是基于這個基本的線性模型形式而來的。
（2）在「基本形式」的基礎(chǔ)上講解了如何構(gòu)建「一元線性回歸」問題的目標(biāo)函數(shù)，一元結(jié)束后開始介紹多元的情況。
（3）開始講解「線性分類」模型,介紹了種不同于解析解的數(shù)值解方法。
（4）介紹了線性模型的LDA的形式以及如何處理類別不平衡的問題。
2、統(tǒng)計學(xué)：
（1） 第二章主要是對「感知機(jī)」這種線性分1類模型的研究:2.2.2部分講解模型的求解策略,即 如何構(gòu)建目標(biāo)函數(shù)。
（2） 介紹了原始形式下的隨機(jī)梯度下降法2(算法21),并且給出了算法收斂性的證明
（3）第六章涉及邏輯回歸問題,介紹了logistics distributionl的基本概念、如何
用「極大似然」方法構(gòu)建目標(biāo)函數(shù)以及如何求參(6.13)
（4）6.2節(jié)介紹了 logistic regression形式的一些由來,即關(guān)于最大熵問題的討論。
6.3節(jié)則主要是介紹數(shù)值解的方法。
3、PRML
（1）在1.5節(jié)中主要是介紹了構(gòu)建目標(biāo)函數(shù)的思想以及解決分類問題的三種方式。
（2）第三章主要講線性回歸模型:一開始就引入了「基函數(shù)」的概念,在基函數(shù)的概念下來構(gòu)建模型。
（3）32講了頻率學(xué)派的關(guān)于模型復(fù)雜度的觀點(diǎn),即var- bias trade off. 3.3、3.4、3.5主要講解貝葉斯下的線性回歸。
（4）第四章節(jié)是線性分類模型.二分類問題與多分類問題下的模型設(shè)置以及最小平方方法為什么不適用于二分類問題。
4、ESL
ESL中講解的東西很多:其中比較有代表性的是它突出了u1范數(shù)的正則化方法,也就是所謂的lasso回歸(L2正則化的叫嶺回歸)。
3、梳理邏輯
這樣看來，僅線性模型我們就能找到如此多的理論依據(jù)，如果靠我們自己無法找全。
大量信息+不加梳理=自相矛盾
所以只對上面的知識進(jìn)行歸類是不夠的，我們還需要進(jìn)行合理的梳理，對照不同書籍，把同樣內(nèi)容的不同解釋角度從邏輯上打通，融會貫通后才能真正把知識變成自己的。
還是以線性模型為例，我們應(yīng)該將零碎的知識點(diǎn)進(jìn)行梳理，最后整合歸納到一起。
通過思維導(dǎo)圖，你會發(fā)現(xiàn)這些原來復(fù)雜凌亂的知識變成了自己的體系，而自己理出來的體系，印象也會更加深刻。當(dāng)然不同人理出來的可能會不一樣。這個不重要，關(guān)鍵是自己去理！
4、劃分難度
從難到易的學(xué)習(xí)順序才是正確的姿勢,所以通過上述的梳理之后進(jìn)行一個匯總整合、劃分出難度等級,使得學(xué)習(xí)路徑更加清晰。
5、查漏補(bǔ)缺
前面構(gòu)建的知識體系是骨架,接下來需要豐富骨架上的血肉,讓它更加完善。
很多不以為然的細(xì)節(jié)，可能正是解決問題的關(guān)鍵。所以對其他教材中講解到的，又是自己體系里面沒有涉及的內(nèi)容，應(yīng)及時補(bǔ)充到自己體系中。
只有反復(fù)實踐這五個步驟，我們才能打下扎實的理論基礎(chǔ)。
——————————————————————————————————
關(guān)于教材，我們做了以下分類：
初級階段
1、《線性代數(shù)》同濟(jì)大學(xué)
2.《高等數(shù)學(xué)》同濟(jì)大學(xué)
3.《概率論與數(shù)理統(tǒng)計》浙江大學(xué)
4.《最優(yōu)化方法》清華大學(xué)(何堅勇)
5.《機(jī)器學(xué)習(xí)》西瓜書（周志華）
6.深度學(xué)習(xí)的數(shù)學(xué)
中級階段：
1.《統(tǒng)計學(xué)習(xí)方法》（李航）
2.《深度學(xué)習(xí)》花書
3.Introduction to Machine Learning
4.An Introduction to Optimization
5.Convex Optimization
6.Reinforcement Learning：An Introduction
7.神經(jīng)網(wǎng)絡(luò)設(shè)計
8.基于深度學(xué)習(xí)的自然語言處理
9.統(tǒng)計學(xué)核心方法及其應(yīng)用
10.統(tǒng)計強(qiáng)化學(xué)習(xí)：現(xiàn)代機(jī)器學(xué)習(xí)方法
高級階段：
1.Pattern Recognition and Machine Learning
2.The Elements of Statistical Learning
3.Machine Learning：A Probabilistic Perspective
4、.Neural Networks and Learning Machines
5、.統(tǒng)計學(xué)習(xí)理論的本質(zhì)
6、.Foundations of Machine Learning
7.機(jī)器學(xué)習(xí)基礎(chǔ)
以上教材內(nèi)容我們都幫你整理好了，
關(guān)注我們的公眾號『深度之眼』回復(fù)“教材班”即可獲取~
