[人工智能-综述-5]：人工智能课程学习的10大基本问题与学习方法的建议

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119192509

第1个问题：学习材料采用视频？文字？代码？

第2个问题：个人学习还是跟团学习？

第3个问题：渐进式学习还是一次性精炼学习？

第4个问题：是否需要先精通Python？

第5个问题：是否需要先精通数学？

第6个问题：学习理论与代码实现的关系？

6.1 学习理论与代码实现的关系有哪些？

6.2 不建议的学习方式：

6.3 个人建议：选用第3种方案的网络或下线课程

第7问题：工具的选用？

第8问题: GPU还是CPU？

第9问题：人工智能的可预见的难点？

第10个问题：学习“深度学习”的几个等级

第1个问题：学习材料采用视频？文字？代码？

（1）学习材料的多样性

理论学习以视频课程为主，字面课程为辅。

特别是对于人工智能小白，不建议一个人闭门造车，一个人死磕书本，一个人死磕书本，效率低，理论与实践脱落。视频的好处是：专业人士已经整理出人工智某一个领域的主体框架，跟着专业人士的课程，能够抓住主线，还能有受益于他人的总结和经验。

就课堂学习，有老师教和那一本数自学，学习效果是完全不同的。

（2）理论联系实际：

人工智能课程是一门实践性很强的课程，不建议死磕书本，要以视频课程为主线，配合文字课程，或书本，或网络文章，最重要的是：再结合实际的软件代码，包括某一个领域的演示或某一个实际的工程文件。

代码分为：

学习性、演示性代码
工程性、项目性代码

第2个问题：个人学习还是跟团学习？

深度学习的框架、算法都是有一定的门槛，要想学好这些课程，不能单枪匹马，那样效率较低。

好的学习方式是如下几种手段的结合：

大课程老师授课，或网络视频授课；=》这一步的关键是好的老师。
小组学习或具备相同技能的同事间讨论；=》这一步的关键是好的同事、同学。
交流群老师的辅导；=》这一步的关键是好的辅导老师。
个人专研 =》这一部分的关键好的教材与个人的刻苦专研。

只听课，不讨论，只能浮于表面，无法深入。

只有小组讨论，没有个人的专研，无法形成实质性突破。

只有一个人专研，没有老师授课，这种学习方式效率低下。

切记：切忌一个人闭门造车。

第3个问题：渐进式学习还是一次性精炼学习？

人工智能是有一定的门槛很难度，特别是算法与模型，因此不建议一次性把每个涉及的环节搞得非常清楚。

建议采用迭代式、多次轮回的学习方法，逐渐精进。一点带面，一面带整体，经过多轮学习，完成深度学习的学习。

切忌：试图一个轮回把所有的知识点全部搞清楚，容易陷入得到某个难点无法自拔，最终放弃人工智能的学习。

第4个问题：是否需要先精通Python？

个人的观察是如果能够精通Python，能够帮忙我们理解用Python写的代码。

但如果是人工智能的入门，没有精通Python语言的基础，也不需要预先研习Python。

也就是说，精通Python并不是学习人工智能的必要条件。

只需要掌握Python必要的基础知识和技能就可以看懂、编写深度学习的代码。

深度学习所涉及到的Python语言的语法技能不并多，主要包括两方面：

Python的语言基础
数学库的使用，如矩阵、导数等，学习库的使用可以结合“相关数学理论”一起学习。

第5个问题：是否需要先精通数学？

个人的观察是，如果能够精通那是最好。如果没有这样的条件，也没有关系。

了解上述数学的一些基本概率即可，毕竟对于大多数学习者，是学习现有的原理、模型，框架。

主要是利用框架、使用现有的模型，而不是自己从头创建新的模型和算法。

数学的学习可以结合如下：

数学的概念：导数、矩阵、概率
集合Python相干的数学库
集合Jupter开发工具的使用

通过上述方法，达到理论和实践相结合，熟悉Python的同时、熟悉所需要的数学知识、还同时熟悉了工具的使用。为进一步的“神经网络”的学习打下基础。

第6个问题：学习理论与代码实现的关系？

6.1 学习理论与代码实现的关系有哪些？

深度学习，涉及到很多的理论：

数学理论：矩阵、导数、概率等
深度学习的理论：反向传播、loss、强化学习等
神经网络模型的理论：卷积网络、知识图谱等。

Python语言的程序是实现这里理论的工程实践和代码实现。

（1）是学习完整套理论，然后上机实践呢？

（2）还是边学习理论，变上机实践呢？

（3）还是边学习理论、边结合代码讲解、再上机实践？

6.2 不建议的学习方式：

（1）学习完整套理论，然后上机实践。

在个人电脑如此普及的今天，这种学习方式是低效的，是传统的学校课堂式理论学习的主要形式，而不是技能型学习的方法。

（2）授课者只讲理论，学习者自己上机实践摸索：

这种方法的缺点是，需要学习者能够学习的理论快速的转换成代码，这对学习者提出了抬高的要求，对于人工智能的小白而言，对于大多数学习者而言，是很难实施的，即使实施了，效果也比较差。

（3）授课者不讲理论，直接讲代码，学习者重复代码。

这种方法，很多程序员喜欢，程序员对代码有天然的敏感性和亲切感。

但这种方法的最大的缺点就是：容易陷入到代码本身中，有一种只见树木不见森林的感觉。再说，没有理论指导，只关注代码实现，无法提升自己，把自己彻底归属在“码”工的层面，不管原因，只管砌墙。

6.3 个人建议：选用第3种方案的网络或下线课程

（1）讲课者：先讲理论

（2）讲课者：再讲代码框架与实现

（3）学习者：线下代码实践

上述过程，不断循环、迭代。

第7问题：工具的选用？

（1）Anaconda命令行：用于专业性操作、程序的自动化。

（2）Jupter Notebook：用于学习、演示。

（3）Pycharm：用于程序跟踪调试。

第8问题: GPU还是CPU？

至于选择CPU还是GPU，取决于学习阶段：

（1）初学阶段：单机版、CPU版的“深度学习”的平台

其目的用于入门学习，该平台可以训练一些小型数据集和规模小的神经网络，这种笔记本电脑的价格在4000块左右。

（2）中级阶段：单机版、带GPU的“深度学习”的平台

其目的用于进阶学习，该平台可以训练一些中型数据集和规模中等的神经网络，这种笔记本电脑的价格在1万多。

（3）高级阶段：平台是服务器版或云服务器、带GPU的“深度学习”的平台

其目的用于高阶学习，该平台可以训练一些大型数据集和大规模的神经网络, 可用于应用实际产品的模型训练，这种电脑的价格在3万以上。

第9问题：人工智能的可预见的难点？

人工智能学习的难点：

不在深度学习的框架，如tensorflow还是PyTorch
不在python的编程语言；
不在复杂的数学公式（虽然这是设计新的深度学习模型的难点）
而在于各种神经网络的工作原理，立即各种神经网络的工作原理，即算法，对于优化算法是高阶的能力。

第10个问题：学习“深度学习”的几个等级

（1）利用他人已经训练好的模型，解决某一个特定的应用问题。

（2）利用现有的训练好的模型，针对自身的数据集再进行一步的训练，解决某一个特定的应用问题。

（3）利用现有的模型，使用自己的数据集，进行重新训练，解决某一个特定的应用问题。

（4）利用现有的模型，进行调参，优化模型，使用自己的数据集，进行重新训练，解决某一个特定的应用问题。

（5）利用深度学习的框架，构建自己的模型，使用自己的数据集，进行重新训练，解决某一个特定的应用问题。

（6）利用深度学习的框架，构建自己的模型，优化模型，提升性能。

（7）编写深度学习框架

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119192509