入門避坑指南

自學三年，基本無人帶路，轉專業的我自然是難上加難，踩過無數坑，走過很多彎路。這裡我整理了一下自己踩過的坑，供大家參考。

1. 不要從頭開始學數學

 如果不是一點數學都不會，你沒有必要從零學起。用上個把月，把微積分、線性代數、以及概率統計複習一遍就夠了。我自己因為沒有學過高數，所以花了半年時間，甚至讀了數學分析、泛函分析和測度論這樣的教材。現在回想起來，其實學到的大部分知識並沒有在後來的演算法生涯中用到，雖然算不上沉沒成本，但投入產出比絕對不高。

因此，不要過度投入到數學領域，打好基礎即可。有個例子說的很好， 如果你想造汽車，你需要有20年的理論功底，以及技術實踐。 但如果你只是想開汽車，卻很快就能學會。 當個司機，你需要去了解汽油發動機原理嗎？ 不需要。 因為你開的車，甚至有可能根本就用不上汽油發動機（電動車）。

2. 程式碼能力要過關

我在大三一年自修完了計算機系的所有必修課，因為我深知資料科學離不開計算機底層知識。我見過不少只會背推導公式，連JVM虛擬機器是什麼都不知道的人。除了Python，請至少學習1-2門底層語言，比如C/C++，Java。

此外，如果你的目標是演算法工程師，那麼資料結構與演算法、計算機系統、記憶體機制、網路程式設計、大資料框架也要著手學習，因為你是以企業工作為導向的。這方面我有空會把自己讀研時找實習的經歷整理分享出來。

3. 不要過分深入

深度學習，底層結構很複雜，理論知識讀懂即可，書也可以跳著看。除了自己感興趣的部分，其他不需要深入。

4. 不要重複造輪子

不管是你是做科研還是搞業務演算法，在開始入門的時候，認認真真自己實現一遍基礎演算法的底層程式碼就足夠了，對於更多複雜的演算法實現，如非必要（比如打比賽），否則請不要浪費時間，要記住，你只是入門，不需要專精這個領域。

我曾經讀過hadoop的ML包原始碼，以及xgboost的C++原始碼，對當時還在入門的我來說，是做無用功。輪子還沒修好，就照著別人的高鐵學習結構，效率不會太高。現如今，對於大多數深度模型呼叫，程式碼量基本不過百行。除非你的方向是大規模、高可用深度學習系統的底層開發、架構開發，那麼沒有必要深入底層程式碼。

5. 不要報培訓班

這一點仁者見仁。但我認為，網路上的公開課足夠你學的了，比如Coursera，斯坦福CS231，可汗學院等等，這些現在都有中文字幕。相關資源我整理放在文末了，大家可以取用。要強調的是，有的同學會覺得花了錢，自然就會心疼，就會堅持學下去。這個想法很好，但太天真，有兩點

• 國內的教學體系才剛起步，很多985高校都是和計算機、數學系一起上課，老師自己很可能都不是研究AI出身的。所以，請思考一下：校外的培訓機構，會有比985還好的教學能力嗎？
• 深度學習沒有速成一說，雖然深度學習經常被詬病沒有基礎理論支撐，不需要數學知識，但那是說給大牛聽的。你一旦深入某個方向，底層的數學照樣少不了。培訓班最不會教你的，就是這些。它們只會利用你的興趣，揠苗助長，然後收割學費

我這麼寫可能有培訓班的人來舉報我（之前被舉報過），但如今收割智商的培訓班太多，連帶著AI行業都被搞臭，所以我還是要說。

最後，我總結了深度學習、機器學習領域中所有會用到的數學知識，大家在制定計劃時可以以這些知識點為脈絡進行學習，如無必要，不要投入太多時間去學習這些以外的知識

微積分

微積分是現代數學的基礎，線性代數，矩陣論，概率論，資訊理論，最優化方法等數學課程都需要用到微積分的知識。單就機器學習和深度學習來說，更多用到的是微分。積分基本上只在概率論中被使用，概率密度函式，分佈函式等概念和計算都要藉助於積分來定義或計算。 幾乎所有學習演算法在訓練或者預測時都是求解最優化問題，因此需要依賴於微積分來求解函式的極值，而模型中某些函式的選取，也有數學性質上的考量。對於機器學習而言，微積分的主要作用是： 1.求解函式的極值 2.分析函式的性質 下面列出機器學習和深度學習中所需的微積分知識點，顯然，不是課本里所講的所有內容都是需要的，我們只列出所必須的。

• 極限：極限是高等數學和初等數學的分水嶺，也是微積分這座大廈的基石，是導數、微分、積分等概念的基礎。雖然在機器學習裡不直接用到極限的知識，但要理解導數和積分，它是必須的。
• 上確界與下確界：這一對概念對工科的微積分來說是陌生的，但在機器學習中會經常用到，不要看到論文或書裡的sup和inf不知道什麼意思。
• 導數：其重要性眾所周知，求函式的極值需要它，分析函式的性質需要它。典型的如梯度下降法的推導，logistic函式導數的計算。熟練地計算函式的導數是基本功。
• Lipschitz連續性：這一概念在工科教材中同樣沒有提及，但對分析演算法的性質卻很有用，在GAN，深度學習演算法的穩定性、泛化效能分析中都有用武之地。
• 導數與函式的單調性：某些演算法的推導，如神經網路的啟用函式，AdaBoost演算法，都需要研究函式的單調性。
• 導數與函式的極值：這個在機器學習中處於中心地位，大部分優化問題都是連續優化問題，因此可以通過求導數為0的點而求函式的極值，以實現最小化損失函式，最大化似然函式等目標。
• 導數與函式的凹凸性：在凸化，Jensen不等式的證明中都有它的應用。
• 泰勒公式：又一個核心知識點。在優化演算法中廣泛使用，從梯度下降法，牛頓法，擬牛頓法，到AdaBoost演算法，梯度提升演算法，XGBoost的推導都離不開它。
• 不定積分：積分在機器學習中使用的相對較少，主要用於概率的計算中，它是定積分的基礎。
• 定積分：包括廣義積分，被用於概率論的計算中。機器學習中很大一類演算法是概率型演算法，如貝葉斯分類器，概率圖模型，變分推斷等。這些地方都涉及到對概率密度函式進行積分。
• 變上限積分。分佈函式是典型的變上線積分函式，同樣主要用於概率計算中。
• 牛頓-萊布尼茲公式。在機器學習中很少直接使用，但它是微積分中最重要的公式之一，為定積分的計算提供了依據。
• 常微分方程。在某些論文中會使用，但一般演算法用不到。
• 偏導數。重要性不用多說，機器學習裡絕大部分函式都是多元函式，要求其極值，偏導數是繞不開的。
• 梯度。決定了多元函式的單調性和極值，梯度下降法的推導離不開它。幾乎所有連續優化演算法都需要計算函式的梯度值，且以尋找梯度為0的點作為目標。
• 高階偏導數。確定函式的極值離不開它，光有梯度值還無法確定函式的極值。
• 鏈式法則。同樣使用廣泛，各種神經網路的反向傳播演算法都依賴於鏈式法則。
• Hessian矩陣。決定了函式的極值和凹凸性，對使用工科教材的同學可能是陌生的。
• 多元函式的極值判別法則。雖然不直接使用，但對理解最優化方法至關重要。
• 多元函式的凹凸性判別法則。證明一個問題是凸優化問題是離不開它的。
• Jacobian矩陣。工科教材一般沒有介紹這一概念，但和Hessian矩陣一樣，並不難理解，使用它可以簡化多元複合函式的求導公式，在反向傳播演算法中廣泛使用。
• 向量與矩陣求導。常見的一次函式，二次函式的梯度，Hessian矩陣的計算公式要爛熟於心，推導並不複雜。
• 泰勒公式。理解梯度下降法，牛頓法的優化演算法的基石。
• 多重積分。主要用於概率論中，計算隨機向量的積分，如正態分佈。

線性代數與矩陣論

相對於微積分，線性代數似乎用的更多，而且有一部分屬於矩陣論/矩陣分析的範疇，超出了工科線性代數教材的範圍。下面列出線性代數和矩陣論的常用知識點。

• 向量及其運算：機器學習演算法的輸入很多時候是向量，如樣本的特徵向量。因此熟練掌握向量以及常用的運算是理解機器學習的基礎。
• 矩陣及其運算：與向量一樣，是線性代數的核心概念，各種運算，常用矩陣，必須爛熟於心。
• 行列式：直接使用的少，在概率論，某些模型的推導中偶爾使用。
• 線性方程組：直接使用的少，但這是線性代數的核心內容。
• 特徵值與特徵向量：在機器學習中被廣泛使用，很多問題最後歸結於求解矩陣的特徵值和特徵向量。如流形學習，譜聚類，線性判別分析，主成分分析等。
• 廣義特徵值：工科線性代數教材一般不提及此概念，但在流形學習，譜聚類等演算法中經常用到它。
• Rayleigh商：工科教材一般不提及它。在某些演算法的推導過程中會用到，如線性判別分析。
• 矩陣的譜範數與條件數：工科教材一般不提及它。在某些演算法的分析中會用到它，它刻畫了矩陣的重要性質。
• 二次型：很多目標函式是二次函式，因此二次型的地位不言而喻。
• Cholesky分解：某些演算法的推導中會用到它，工科教材一般不提及它。
• 特徵值分解：對機器學習非常重要，很多問題最後歸結於特徵值分解，如主成分分析，線性判別分析等。
• 奇異值分解：在機器學習中廣泛使用，從正態貝葉斯分類器，到主題模型等，都有它的影子。

概率論與資訊理論

概率論與資訊理論在機器學習中用得非常多。概率論的知識，一般不超出工科教材的範疇。而資訊理論是很多同學沒有學過的，不過只要你理解了微積分和概率論，理解這些概念並不是難事。下面列出常用的概率論與資訊理論知識點。

• 隨機事件與概率：這是理解隨機變數的基礎，也是概率論中最基本的知識。
• 條件概率與獨立性：條件概率非常重要，在機器學習中，只要有概率模型的地方，通常離不開它。獨立性在很多地方也被使用，如概率論圖模型。
• 條件獨立：在概率論圖模型中廣泛使用，一定要理解它。
• 全概率公式：基礎公式，地位不用多說。
• 貝葉斯公式：在機器學習的概率型演算法中處於靈魂地位，幾乎所有生成模型都要用到它。
• 離散型隨機變數與連續型隨機變數：重要性不用多說，概率質量函式，概率密度函式，分佈函式，一定要熟練掌握。
• 數學期望：非常重要，好多地方都有它的影子。
• 方差與標準差：非常重要，刻畫概率分佈的重要指標。
• Jensen不等式：在很多推導和證明中都要用它，如EM演算法，變分推斷。
• 常用概率分佈：包括均勻分佈，正態分佈，伯努利分佈，二項分佈，多項分佈，t分佈等，在各種機器學習演算法中廣泛使用。
• 隨機向量：多元的隨機變數，在實際中更有用。
• 協方差：經常使用的一個概念，如主成分分析，多元正態分佈中。
• 引數估計：包括最大似然估計，最大後驗概率估計，貝葉斯估計，核密度估計，一定要弄清楚它們是怎麼回事。
• 隨機演算法：包括取樣演算法，遺傳演算法，蒙特卡洛演算法，在機器學習中也經常使用。
• 資訊理論中的一些概念，包括熵，交叉熵，KL散度，JS散度，互資訊，資訊增益，一定要深刻理解這些概念。如果你不理解KL散度，那怎麼理解變分推斷和VAE？

最優化方法

前面已經說過，最優化方法是機器學習的靈魂，用於確定模型的引數或預測結果。不幸的是，工科專業一般沒有學過這門課。不過只要你理解了微積分和線性代數，並不難推匯出這些演算法。下面列出常用的最優化方法知識點：

• 梯度下降法：最簡單的優化演算法，但卻很有用，尤其在深度學習中。
• 隨機梯度下降法：在深度學習中的重要性婦孺皆知。
• 最速下降法：梯度下降法的改進型，是理解梯度提升等演算法的基礎。
• 梯度下降法的改進型：如AdaGrad，AdaDelta，Adam等，使用深度學習開源庫的時候經常會看到這些名字。
• 牛頓法：二階優化演算法的典型代表，只是在深度學習中用的少。在logistic迴歸等演算法的訓練中會用到它。
• 擬牛頓法：牛頓法的改進，在條件隨機場等模型的訓練中會用到L-BFGS等演算法。
• 座標下降法：在logistic迴歸等模型的訓練中會用到它，不難理解。
• 凸優化：最優化中的核心概念之一，如果一個問題被證明為凸優化問題，恭喜你，它基本上可以較好的解決。
• 拉格朗日乘數法：在各種算分的推導中經常使用，如主成分分析，線性判別分析等，如果不熟練掌握它，你將非常艱難。
• KKT條件：拉格朗日乘數法擴充套件到帶不等式約束後的版本，在SVM的推導中將會使用。
• 拉格朗日對偶：不太好理解的知識點，在SVM的推導中經常用到，不過套公式並不難。
• 多目標優化：一般很少使用，在多目標NAS中會使用它，如帕累托最優等概念。
• 變分法：用於求解泛函的極值，在某些理論推導中會用到它，如通過變分法可以證明在均值和方差一定的情況下，正態分佈的熵最大。

圖論

機器學習中的某些問題可以用圖論的方法解決，如流形學習，譜聚類。某些演算法的表達也可能用到圖論的知識，如深度學習中的計算圖，NAS中的網路拓撲結構圖。概率圖模型讓很多初學者談虎色變，它是圖論與概率論的完美結合。下面介紹常用的圖論知識點。 圖的基本概念：如頂點，邊，有向圖，無向圖等。

鄰接矩陣與加權度矩陣：圖論中的核心概念，邊一般都帶有權重的。

某些特殊的圖：如二部圖，有向無環圖等，在深度學習中經常會用到他們。

最短路徑問題：經典的Dijkstra演算法是每個程式設計師必須掌握的。

拉普拉斯矩陣和歸一化拉普拉斯矩陣：比較難理解的概念，機器學習中的很多演算法，如流形學習，使用圖論的半監督學習，譜聚類都離不開它。理解這個矩陣和它的性質，是理解這些演算法的基礎。

最後附上自己整理的入門書單和課程，裡面小藍書、花書一類的我沒放進去，因為我認為並不適合入門。這裡我列的課程和書目都是非常beginner-friendly，適合新手讀。其中有些書是幾年前我看過的，而有些書是19年才寫的，非常接近目前業界的深度學習應用，個人推薦看新書。（不知為何，新書的評分通常更高）

數學課程

1. 麻省理工公開課：線性代數_全35集_網易公開課
2. 可汗學院-線性代數入門
3. 線性代數應該這樣學 (豆瓣),
4. 高等微積分 - 臺大開放式課程 (NTU OpenCourseWare)。
5. 概率論與數理統計 (豆瓣)

演算法課程

1. Coursera-機器學習-Andrew Ng
2. BiliBili-機器學習基石-林軒田
3. CS231n: Convolutional Neural Networks for Visual Recognition
4. Deep Learning Tutorial from Stanford -Stanford計算機系官方tutorial，Andrew Ng執筆
5. An Introduction to Statistical Learning with Applications in R 強烈推薦看Simple版
6. Python深度學習 豆瓣評分9.6，深度學習類目下排名第一
7. 動手學深度學習 豆瓣評分9.3，李沐老師寫的
8. 深度學習入門 豆瓣評分9.4，齋藤康毅大神寫的

論文

• The Learning Machines - 一個導論性質的文章，讓你大致瞭解深度學習是什麼，用來幹什麼的。
• Deep Learning - (Review Article in Nature, May 2015) 三大神 Yann LeCun, Yoshua Bengio, and Geoffrey Hinton的文章，不解釋。
• Growing Pains in Deep Learning
• Deep Learning in Neural Networks - This technical report provides an overview of deep learning and related techniques with a special focus on developments in recent years. 主要看點是深度學習近兩年（2012-2014）的進展情況。

深度學習程式碼庫

• H2O - 一個開源的可擴充套件的庫，支援Java, Python, Scala, and R
• Deeplearning4j - Java庫，整合了Hadoop和Spark
• Caffe - Yangqing Jia讀研究生的時候開發的，現在還是由Berkeley維護。
• Theano - 最流行的Python庫

下一篇文章，將會從簡單的分類演算法談起，教大家如何學習機器學習演算法，更多機器學習、程式設計、AI相關知識，也歡迎關注我的公眾號“圖靈的貓”

掃碼關注公眾號，點選“學習資料”選單，即可獲得以上機器學習、深度學習書籍等免費PDF資源~