数学不好，进入机器学习领域还有戏吗？

自从Google的AlphaGo引爆了人工智能这个领域后，大量的人才开始涌入人工智能领域，各大公司也都开始布局人工智能方向。看一个领域的火爆程度，直接看相关职位的招聘人数和平均薪酬即可。就拿各大公司的校招广告来说，对于人才的争夺也是蛮拼的。下图是2018年企业校招的薪酬表：

在互联网上也疯传如下的数据：

看到这样的数据，我真的是相当惭愧，刚毕业的学生，AI方向的都是30万年薪起步，这让多年奋斗在计算机行业的我情何以堪。羞愧之余，内心也有点不服气，既然这个领域前景这么好，我为什么不能转向这个领域。

于是我也采取了行动。AI领域最火的无疑是深度学习，网上很多人推荐从李宏毅的这份《Deep Learning Tutorial》PPT入手。这份资料在网上流传很广，很容易的就找到了。接下来就是专心学习，看到这里（如下图）

感觉还是比较好理解的，然而看到这里：

这都是啥东东？再往后看，就越看越懵了。去知乎、Google兜了一圈，大家的观点比较一致，进入AI领域需要有很好的数学基础，入门的姿势是从《线性代数》、《概率论》学起。

天哪！虽然大学里也学过线性代数、概率论与数理统计的课程，可在当时就是学的就晕乎乎的，更何况过了这么多年，完全没有用过，要捡起来谈何容易。面对这样的现实，有点茫然，不知道该不该转向机器学习领域。

最近读了一本科幻小说《三体》，里面有一段有写到，人类基础科学被智子锁死，无法取得进展，但人类并没有停止进步，在工程方面获得了长足发展，也建造出了庞大的太空舰队（虽然在三体文明面前仍然不堪一击）。由此联想到人工智能领域，算法相当于人工智能的基础科学，人工智能在各个行业中的应用则属于工程领域，既然搞AI算法是没戏了，做做AI应用应该还是可以的吧。

其实基础科学领域的进展是相当缓慢的，比如计算机结构直到今天还没有突破冯·诺伊曼结构，要知道这可是在上世纪四十年代提出的。AI的科学基础线性代数、概率论等在几十年前就已经发展得非常完备，这里面大量的知识都是在上世纪初建立的。

初步思考了一下，作为开发人员，AI领域界可分成下面几个层级：

科学家（专家）

IT巨头对人工智能科学家的争夺可谓不遗余力，为什么他们这么值钱呢？从工作上讲，他们需要有深厚的理论知识，建立优秀的模型，并试图从理论上诠释模型，甚至将理论研究向前推进一步。从人数上看，能够做到这一步的人，可以说凤毛麟角，天赋是绕不过去的大山，机遇和努力也缺一不可。
算法实现及改进者

现在市面上已经涌现出了大量的AI框架，比如Tensorflow、Caffe等，这些就是他们的功劳。他们一方面需要有足够的理论知识，同时有具有很强的技术，能够将模型实现出来，或者根据经验提出一些改进的模型。这些人通常都是各个机器学习巨头公司的中坚力量，需要有扎实的理论知识，同时在架构设计、系统优化方面有着丰富的经验。这个群体要比科学家群体要大的多，但显然也不会太多，同样也是各大巨头争夺的对象。

这个群体中还有一类人，他们拥有深厚的人工智能专业知识，同时又对应用领域有足够的理解，比如AlphaGo团队的黄博士，本身是人工智能方面专家（但还谈不上科学家），同时又是业余围棋六段，对围棋有足够的理解，所以在围棋AI设计与改进过程中发挥了至关重要的作用。
算法应用者

其实我们身边已经有很多人工智能的黑科技，比如P图、兴趣推荐、语音识别，这些林林总总的应用构建了大众可以感受到的产品。这些产品就是出自这一群体之手，这些人基本上不会在算法领域涉入太深，只需了解一下各个算法的实现，各个模型的结构，使用一些开源框架。他们更多的工作是结合实际的应用领域知识，比如图像处理，在行业中应用人工智能。

对于大部分IT人来说，最多在这一群体打转，但我们也不能因此而不屑于参加进来。要知道，腾讯既没有OS，也没有CPU，就凭借APP，同样构建了一个庞大的帝国。

想明白了这一点后，我也只能加入第三类人群中排队进场，能做一个AI领域的码农不也是挺好的吗？

在做了一些功课之后，我决定从如下两本书入手：

《机器学习实战》（英文版：Machine Learning in Action）

从书名就可以看出，这是一本实践多过理论的一本书。这本书没有从理论角度来揭示机器学习算法背后的数学原理，而是通过“原理简述+问题实例+实际代码+运行效果”来介绍每个算法。这非常对我这样实战派的胃口，边学边用，以代码说话。

开始本书学习的前提条件也非常简单，只需对python语言有基本的了解。不需要Linux、不需要GPU，只要有python编程环境就可以开始，对开发人员相当友好。

本书附录部分还非常贴心的附加了Python入门、线性代数、概率论方面的基础知识，毕竟要理解一些算法，还是需要一点点基础知识的。
《机器学习》（作者：周志华）

这本书被网友亲切的称为西瓜书，也是被很多人大力推荐的。但这本书是一本教科书，而且是一本入门的教科书。其宗旨是理清基本概念、了解领域概貌。就像人们到了一个陌生的地方，首先需要去找张地图，大致弄清楚哪里是山、哪里有水、自己身处何处，然后才好到具体区域去探索。所以这本书更多是让人“观其大略”，对各种算法都有大体的介绍，但都没有深入。

虽然作者试图尽可能少的使用数学知识，但相比《机器学习实战》，这本书的数学公式还是多了不少，对读者的要求也要高一些，读起来要吃力一些。这本书也没有涉及算法的实现，不需要编程方面的知识。

个人觉得将两本书结合起来看比较好，所以在以后一段时间内我将同时学习这两本书，如果学习中碰到什么问题，有什么心得，也会写出来和大家分享。

数学不好，进入机器学习领域还有戏吗？相关推荐

数学不好，能学好机器学习吗？
导读:如何像鸟飞过机器学习的山? 作者:木羊同学来源:大数据DT(ID:hzdashuju) 01 "机器学习好学吗?" 这是我最常听到的一个问题,以前我的回答也简单明了,就两 ...
数学不好的人可以学python吗_数学不好的人，适合学习深度学习，机器学习，人工智能吗？...
我认为要回答这个问题,需要看你想做到什么层次: 调参侠:主要从事企业的算法岗,读论文,写算法,训练模型等工作,主要聚焦于人工智能算法.比如智能驾驶.机器人.医疗等行业应用,研究的是应用需求以及利用理论 ...
python 数学期望_python机器学习笔记：EM算法
完整代码及其数据,请移步小编的GitHub 传送门:请点击我如果点击有误:https://github.com/LeBron-Jian/MachineLearningNote EM算法也称期望最大化 ...
数学不好，可以当程序员么？
阅读本文大概需要 2.7 分钟. 有读者最近后台问我,说数学不好,可以转行做程序员么,以后的发展会不会受限制? 作为一个数学专业出身,自学转行程序员的过来人,我觉得多少有点话语权. 不过话说回来,虽说 ...
学会python需要数学吗_机器学习数学基础：学习线性代数，千万不要误入歧途！推荐一个正确学习路线...
机器学习数学基础:学习线性代数,千万不要误入歧途!推荐一个正确学习路线序言写完<机器学习深度研究:机器学习中的高等数学/微积分及Python实现>,觉得十分对不起读者,写的自己都不满意 ...
机器学习领域已经百花齐放了，为何还要搞个TinyML？
导读:今天介绍一种你没有玩过的机器学习船新版本,叫TinyML.ML我们都很熟了,而TinyML则是Tiny Machine Learning的缩写,直译为"微型机器学习",是一种 ...
人工智能和机器学习领域有哪些有趣的开源项目
人工智能和机器学习领域有哪些有趣的开源项目? 投递人 itwriter 发布于 2014-12-02 11:21 评论(0) 有20人阅读原文链接 [收藏] « 本文简要介绍了 10 款 ...
数学不好的人可以学python吗_哪些人适合学金融工程专业数学不好能学吗
金融工程是金融专业中的一个分支,那么,哪些人适合学习金融工程专业呢?下面小编整理了一些相关信息,供大家参考! 什么样的人适合学金融工程硬性条件 1.数学能力有些学校招生时就规定了金融工程专业的高考 ...
那些数学不好的程序员？最后都如何了（文末送书）
不能说每个深耕机器学习的人都学过吴恩达的<机器学习>课程,但他的这门课确是目前让机器学习初学者能够快速对整个体系知识点有比较整体的认识,便于快速入门的首选及最热课程. 根据2019年Fre ...

数学不好，进入机器学习领域还有戏吗？

数学不好，进入机器学习领域还有戏吗？相关推荐

最新文章

热门文章