马上计算机研一，想问一下机器学习、深度学习…大家都是怎么入门的？ 第1页

机器学习入门真的好难，我也经常被问到这个问题，但是我并没有特别好的回答。

对于新手而言，有四座大山：数学基础、算法模型、机器学习应用、常见工具。市面上常见教材都主要关注算法模型，而很难兼顾另外几个方面，所以学习的过程中最常见的问题就是这公式是咋推的？我学这个有啥用？模型懂了咋实现？

一本教材解决不了所有问题，机器学习的学习过程是个螺旋上升的过程。先学习一些算法模型，看不懂了再去学一些数学，同时也要看看常见的应用比如推荐、搜索、NLP、CV中是如何运用的，跑一跑最新的库。再回来学一些模型，看一看数学。螺旋上升，慢慢提高。

分享一下我的学习过程，也是缓慢的。

本科的时候机器学习还没有兴起，大家主要还在讨论数据挖掘。我在实验室里也跟着看了些论文，了解了一些最基本的规则抽取、Topic Model。这个时候学的很不系统，但是激发了兴趣。

去 CMU 研究生阶段主要的选课就以机器学习为主了。机器学习的几个方面：模型、数学、应用、工具我都选了一些课程。

• 10601 Machine Learning：入门课程，系统性地接触了机器学习中的各种模型和算法。感觉学的也有些迷迷糊糊，每天还都想着那些问题，这玩意咋推的？这玩意有啥用？这玩意咋实现？
• 10805 Deep Learning：那个时候深度学习还没有兴起，这个课还是个小课，只有一二十个人上（听说现在已经爆炸了）。以读论文和小组讨论为主，我感觉也学的比较迷糊，只是把一些关键词和直觉留了个印象。
• 11641 Search Engine & Web Mining：这个课程就是以应用为主了，在明确需求的情况下再思考模型和算法都有些什么用，确实打通了一些之前的困惑。感觉学应用还是快乐一些，作业中就有刷 leaderboard，各种黑科技刷的不亦乐乎。
• 15619 Cloud Computing：学校给钱用 AWS，学习了很多如何使用云工具，收获很大。
• 11791 Software Engineering for Information Systems：再学习了一遍软件工程。

第一学期选课太多，有点爆炸， 第二学期就少选了很多。

• 10605 Machine Learning in Large Dataset：主要学习如何用 Hadoop 实现贝叶斯算法，了解了分布式系统中一些不一样的问题，对于当时特别火热的 Large Scale Machine Learning 和 Parameter Server 有了更感性的认知。
• 10708 Probabilistic Graphical Models：当时最火的概率图模型，Eric Xing 教授讲的太快了，看了很多论文，学的也有些一知半解。
• 11792 Software Engineering for Information Systems：第二学期开始跟着实验室做一个 AI for Law 的项目，这个项目暑期和第三学期也在做，最后发表了论文。这个偏应用的项目接触到了一些 NLP，把之前学习的东西又都串了一串增加了感悟。

第三学期主要就是做AI for Law的那个毕业项目了。

• 10705 Intermedia Statistics：统计系开的课，说是中级统计，但其实主要是从统计的角度讲机器学习，数学又巩固了一些，把之前学过的东西又学了一遍。

当然这只是入门，工作之后又有了很多新的理解，要学习的东西感觉更多了。

总体来说我的入门也是常常一脸懵逼，经常卡住，反复从多方面学习，模型不懂了就去看看应用，写写代码跑一跑，再回去看看数学，再去看看模型，这就是个螺旋上升的过程，做打持久战的准备。苟...苟日新，日日新，又日新。