本文作者 2013 年本科畢業，做過并行計算開發、嵌入式底層，目前在游戲創業公司做服務器開發。

自從作者自學機器學習等 AI 領域技術以來已經有一段時間了，本文作者將簡單總結這一段時間的進修情況。

后悔大學不努力

大三的時候學過一門“人工智能導論”的課，只記得課里有一些回溯和圖搜索的算法，具體細節全忘了。

雖然算法與數據結構、編程語言很有深度，但當時認為真正厲害的是能干項目，寫網站的，懂框架寫實際應用程序。

什么語言、算法，現學會用就行。那些編譯原理、操作系統課程、數學、英語，聽課就行，畢竟真正招人不看這些基礎課。

尤其是蘊含其中的算法思想。它們決定了你從事程序員這個行業以后所能達到的深度，而英語決定了你以后的廣度。趁年輕，可以多嘗試各個方向，但一定要明白基礎知識的重要性。

如果想形成知識體系，本人是不贊同碎片化學習某一領域知識的。碎片化時間適合看技術“花邊文章”，開眼界。碎片化學到的知識，都是零散的，個別天才除外。

真正能形成系統性的，有深度知識到自己腦海里的一定是靠長時間系統地持續性地學習才能積累和形成的(至少我自己適合持續性學習)。

我剛入學那會兒被各種各樣的大部頭嚇壞了，這能啃完嗎？甚至有的老師也不建議啃。

但其實現在看來，大學期間最適合啃這些書，因為那時候有非常多的時間來心無旁騖地學習。

如果你熱愛這一行，或者立志想一輩子靠技術吃飯的話，如果不知道啃哪本，就從《算法導論》啃起吧。

不要怕難，認真反復多看幾遍，如果全弄懂你的人生肯定會與其他人不一樣。

大學里最重要的是學習思想性的知識，好的學習知識的方法，專注和自學的能力，這些是能伴隨你一生的習慣，是修煉內功的絕好機會。

這個時候心無雜念，找本自己想學的方向，很容易鉆進書本里。如果你還在校園里，那就踏踏實實夯實基礎吧(比如4學分的課)。

如果你覺得老師講得不好，那么去網上自學公開課，自學能力也幾乎是技術成長必備的能力。

再一個，不要害怕與眾不同，我們從小到大，太強調一致性了，要相信自己。

為什么想學 AI ？

隨著近幾年計算機領域的不斷發展，云服務與并行計算促進了計算力的提升，互聯網的發展提供了海量的數據，這些方向的發展都促進了人工智能的發展，也促進了 AI 領域機器學習的發展。

我覺得學習 AI 是投資自己的技術未來，就像前幾年火熱的移動端開發一樣，傳統崗位也會依然存在。但是 AI 行業的發展也一定會產生新的崗位。

而人對未知的事物都是充滿好奇或者擔憂的，至少我是好奇。好奇大家口中的機器學習、神經網絡這些名詞到底是怎么回事，有什么高深的算法，會如何發展，是否存在自己一直尋找的興趣方向。

之前的一些機器學習入門的文章也看了很多，都看得迷迷糊糊，大家說的模棱兩可，比如不用在乎數學推導，直接調用接口，就好了。

簡單的 API 調用，我想大家都很容易學會，但如果我僅把函數當成黑盒使用，我心里是沒底的，因為我不知道里面怎么做的，我就會覺得沒底。

也許是我性格的原因，會經常執迷于細節，而且學習速度很慢，并且無法從宏觀上對事情進行更好的抽象，我現在也在逐漸提高自己的抽象能力，先從宏觀上看事情。

一次偶然的機會，看到一篇文章：《入行AI,如何選個腳踏實地的崗位》。這篇文章是我看過所有的入門文章中，介紹的最詳細最明白的文章，相見恨晚。

文章中的觀點我完全贊同，盡管很多技能我還不具備，但我覺得說得都很對，同時也揭開了各個崗位都是干什么的神秘面紗。

首先，我覺得不懂內部原理甚至細節，只會調用庫，是沒辦法更深入和提高的。所以我覺得數學基礎很重要，照著教程敲一遍代碼已經不足以滿足我現在的追求，做完了沒有什么成就感。

成就感是個很神奇的東西，就跟你玩游戲打怪練級一樣，如果認識到這件事充滿成就感，你會有非常多的力量在上面，找到最大化自己成就感的事情，那個應該就是興趣所在了，做那件事也就能實現自我的意義和價值。

其次，同意文章中說的在成為機器學習工程師之前要首先要是一名合格的程序員，基本數據結構和算法一定要掌握，我距離合格程序員還有很大差距。要認清自己，腳踏實地。

最后，文章末尾有個講課的鏈接，我以前對培訓和講課是很抵觸的，片面覺得所有的東西都要自己悟才可以，現在想想是自己鉆死胡同里了。

如果有老師講很好的課，可以幫你快速入門，大幅提高你的時間效率的，而且這門課很便宜。

此外，我個人認為當一篇文章讓我有極大認同和感想以后，我就會把作者的所有相關文章都檢索出來。

看一遍，如果 80% 甚至更多都和自己的認知相同，那么這個人多半你就是認同的，大概率買她課不會讓你失望，李燁老師給我的感覺就是這樣。

以上只是我的真實感受，不多說了，要不然有打廣告的嫌疑。看完這篇文章后，我對整個 AI 行業有了一些認識，決定要開始行動起來，臨淵羨魚，不如退而結網。

關于買書

關于買書，我從不吝惜，希望自己也能一直保持著這個習慣。基本 200 以內的書，真的需要，或者我知道自己買完了一定會看，我從不猶豫。

但仍然有很多書沒買，Amazon 上的購物車，常年有上千的書存著，因為窮，哭。

之前是怕租房搬家麻煩不買，現在覺得自己以前好蠢，這點麻煩算什么。個人覺得電子書的確方便，但的確適合查閱，不適合閱讀。

想系統學，還是要買好書經典書，甚至大部頭才好，這樣知識才能系統建立起來，比碎片化有意義很多。碎片化當開眼界和休息時的新聞看看就行了。

關于知識付費

我覺得學習上不要吝嗇，衣服可以不買，吃的可以溫飽，但是學習上，不用小氣，一件衣服，一雙鞋，都夠買一年的課或者書了。

我本人收入并不高，但買了很多課，別亂買，買那些你一定會去學的，一定讓你有產出的，可以內化成你自己知識的。

我自己買了一些某乎 live 課，但覺得里面都是一些宏觀上的方法，細節很少，干貨也很少，整個 live 過程都覺得非常趕時間，學到的就更少了，可以作為開眼界，理清一下脈絡的方式，甚至有的 live 買完能學到脈絡就不錯了。

App 上也訂閱了某人工智能專欄，老師照書本式的念，聽著實在是煩，生硬。說白了，我識字，但你寫的我看不懂，你念一遍我也還是不懂。

沒有詳細解釋，只能靠我自己去網上一點點找，也許對數學基礎要求很高，我的基礎距離主講人定義的數學基礎差太多。

數學基礎

個人覺得，如果有好的詳細推導過程嚴謹的教材/教程，看書或圖文教程，是學習上手最快的。因為，你可以自己控制學習的速度。

【1】微積分

首先由于連微積分最基礎的知識都忘記了，就先回去補高數了，雖然大學上課認真聽課了，但不是學霸那種，畢業后基本沒怎么用過，就全還給老師了。

看大學教材，這里我用的是 GitChat 上李燁老師推薦的微積分講義（北師大出版社鄺榮雨等編著的《微積分學講義》），書很薄，很適合快速過一遍。

我屬于只看書和例題沒有做題的，因為懶。我覺得大學期間，很多時候都留在做題上了，我整個教育歷程重點都是題海戰術。

但我忽視掉了，真正的數學定義中的物理和幾何意義，其實這些意義非常重要。這里重點補充了一下。

如果后面想往算法科學家方向發展的話，這部分還要繼續強化，做題，多練，提高自己的計算能力，多看書和例子。MIT 的在163上的微積分公開課也非常棒。

【2】線性代數

由于第一份工作用到了浮點數高階矩陣求逆并行優化算法相關的工作，這個在當時認真學了，而且當時包括現在的理解，線性代數，只是進行矩陣變換和運算。

【3】概率論

這個是弱項，從高中開始，抽球，就抽不明白，現在也沒太明白。但是我屬于對學習資料比較苛刻的那種人，各種強調器，而不去做事。其實如果用心學隨便一本，都可以內化成自己的知識，但我暫時還達不到這種境界。

學知識不是為了滿足自己的我很上進的樣子，也不是為了學過這些知識以后，自我滿足感。

一定要強調自己的內化——就是拍著自己的胸脯問自己，你真的學會了嗎？你學到了什么？都理解了嗎？沒理解，好，說明沒學會，那就重新再看視頻，再查閱各種相關資料，再學，每天吃飯睡覺都去想，去琢磨。

這里我推薦***大學的葉丙成老師在 Coursera 上的課程："頑想學概率"（一）和（二）。

話說葉老師說話很像我已經離職的 Leader，親切感十足。雖然只學了前面幾節課，但明顯是非常棒的概率課程。跟著學就好。教材，請打印課堂的ppt。

【4】統計學

網上有 edx 或者可汗等國外的公開課，暫時還沒有補習，大面積用到了再補。

大家多利用好網上公開課視頻。我自己本人是，基本上所有的公開課 App 都裝了（買了幾千塊的手機，不能白買）。

機器學習

首先推薦：吳恩達老師在 Cousera 上的“機器學習公開課”。

這個課程基本你看完微積分，學會求導，求偏導的物理意義，知道矩陣乘法和轉置，就可以看機器學習的視頻了。

這門課非常好，老師講的非常淺顯易懂。我甚至覺得高中生，學完微積分，求導，了解一下矩陣，如果會編程，都可以學了。

建議邊看邊做筆記，做完筆記，雖然耗時間，但是我知道自己屬于看十遍不如寫一遍，一般的視頻，看兩遍，某個看三遍就能理解了。

Coursera 上有幾個是視頻的中文字幕是不全的，網易上有更好版本的中文字幕視頻。大家可以先去網易公開課上看。

建議先中文，然后達到英文聽課的程度，因為真的不難。我自己英語很菜，大學就沒怎么學習，看第二遍的時候也能看懂英文字幕了。

順便說一下：英語這個技能是必備的，只要你從事計算機這一行并且想往上走，沒什么商量的。平時查 stackoverflow，看其他的 tutorial 或者 doc 也要看的。

其次推薦：李燁老師在 GitChat 發布的「極簡機器學習入門課」

這門課非常值得學習，而且真的好便宜，物超所值。

大多數專欄只是開眼界，沒法做到系統。李燁老師的課做得就比較好，課程里非常基礎，通俗，有細節。還能讓你開眼界，了解常識。

比如會告訴你一直以來，線性關系并不全是直線的關系，這樣非常基礎而重要的概念。——也許我數學太弱了，學東西方法也不夠靈活，理解不夠深刻。

當然，如果圖文再詳細些，圖文肯定效率更高。

至于機器學習相關的書籍，我覺得周志華老師的西瓜書（《機器學習》）對我來說太難了，大神覺得簡單，請無視我。

因為我很多符號表示都看不懂，這里一位網友說過一句話，我覺得有一定道理：數學符號不統一，導致了入門門檻較高。

但是，坦白說，還是自己太菜了，其實符號大同小異，但的確入門如果一味鉆進去摳符號什么意思，是很惱人的。

但沒別的辦法，只能多去搜，多去看，去老師的群里問，老師和群友都會幫你解答。看不懂你就不知道在人家在說什么。

不要急，不要煩，機器學習就這么多符號，它不是無窮盡的，踏踏實實一個一個學。肯定能學會，這里我主要推崇愚公移山的精神，當你一下子突然理解了，能體會到領悟的喜悅。

有網友推薦臺大的林軒田的視頻，這個我剛看了開頭，還沒詳細看，以后再補。李航的《統計學習方法》看著更頭大，暫時先不看，以后回來補。

編程語言

編程語言首選 Python。Amazon 上有一本讓繁瑣工作自動化的 Python 書，非常簡單，適合無基礎的人，如果你和我一樣弱，那就看它吧，上手非常快。

Python 編程快速上手:《讓繁瑣工作自動化》；基礎好些的，看：《Python 從入門到實踐》，我兩本都買了。

Python 開源工具庫：

輸入輸出文件處理：pands矩陣處理：numpy機器學習模型：sklearn（比如線性回歸模型，一條函數調用就完事，非常高效）可視化：matplotlib

Python 機器學習相關在線教程：

莫煩 PYTHON：

https://morvanzhou.github.io/

實踐資源

由于目前工作中沒有相關機器學習的業務，這里去 kaggle ：

https://www.kaggle.com/

上刷比賽是很好的方式，因為上面有大量的接近實際的項目。

心得體會

不要被高大上的符號或者專業術語嚇倒，比如：張量，梯度下降，貝葉斯公式，機器學習，人工智能，神經網絡...

不僅是機器學習，其實很多方向都是，當聽到專業術語時，不要慌張和盲目的跟風，一點一點看，一點點去學習了解。

踏實下來，抽絲剝繭，如果你真的想知道這些名詞是什么意思，拿入門機器學習舉例，全身心投入一個月就差不多了。

小吐槽：大學教育時，很多算法，模型，都沒有學習英文的表達方式以及認真梳理，造成別人說一些專業英文術語的時候，自己不能理解。

其實是自己沒意識到要進行知識梳理。造成很多知識學完了，在腦海里，跟一團漿糊一樣。

是模型算法都懂，單拿出來能理解，但是看別人文章、書的時候，根本就不知道把這些零散的知識串聯在一起，其實有些知識是學過的，知識沒有自己梳理。

一定要盡早梳理，做事有條理，學習專業術語正確的英文表達方式，本文還會不斷修繕。

專業術語盡可能用英文的專業詞匯跟別人交流，能節省很多中文翻譯版本上的障礙，有很多知識yy，別人講了半天，原來是說的其實就英語的xx或者中文另一個版本的zz）

李燁老師還推薦了《人工智能基礎(高中版)》是由陳玉琨和湯曉鷗編著，寫的非常淺顯易懂，適合我這樣的菜鳥。

里面有人工智能核心能力的說法我覺得很好："人工智能最核心的能力就是根據給定的輸入做出判斷或預測"。的的確確就是這么一回事。

學完對機器學習的理解，昨天碰巧在網上(圖片出處)遇到這張圖，就偷懶不自己畫了：

看完 Cousera 上 Ng 的課，里面如果有不清楚的，可以橫向看一下書和網上找文章，建議手動推導一遍梯度下降算法，再用 Python 實現一遍梯度下降算法。

盡可能所有的公式都手動推導一下，提高自己的運算水平，補充之前沒有做題的缺陷。而且自己也能真正明白。

最好也能用代碼來實現一遍，如何用計算機求導。

學習路線

先分享一下我個人的學習步驟：

1. 先看微積分，知道連續，求導的幾何意義，然后了解一點矩陣知識；

2. 開始看 Ng 的視頻，然后看李燁老師對應章節的課，看西瓜書，然后看網上的教程實例，手推公式，手寫代碼實現求導

3. goto 2

4. kaggle 入門級比賽(這部分我剛開始...)

看完一節 Ng 的視頻，就去看李燁老師的課程；看不懂的，繼續看視頻，網上找資料。

或者去課程群里提問，肯定有人知道，大家都不知道就可以問老師，老師都會耐心給與解答。多種學習途徑相結合。

由于個人性格比較愚鈍，很多事情喜歡刨根問底，沒有數學公式上的推導，就覺得心里沒底。

抽象出模型的思維較弱，執著于細枝末節，所以喜歡有詳細推導過程的教程，但也因為笨，啃得慢，還有畏難與拖延的壞毛病。