新手入门想学数据分析,最终到机器学习,数学是不是要从头学起。。

2018-05-05 10:04:41 +08:00
 musclepanda
前几天给自己立了个 flag,自学机器学习

然后听了节课…………发现根本不懂啊…………

虽然是理科生,但毕业了好多年之后根本接触不到数学,连 sin,cos,tan 都忘记啥意思了,还有啥求导什么的。

求问我这个数学应该有个什么步骤学习

我计划是高中数学重新拿出来看看…………然后后面是高等数学?线性代数?微积分?不知道什么个步骤了。。

求问。
8571 次点击
所在节点    程序员
52 条回复
orangeade
2018-05-05 18:21:54 +08:00
Google 开发者网站上有个完整的机器学习入门教程,可以了解下机器学习的基础,概念,和工具,数学边用边补吧
twistedmeadows
2018-05-05 19:05:14 +08:00
……不要从头开始学吧,那个太多了。你会死在半路的。

deep learning 领域几位神级人物写了一本书: https://www.deeplearningbook.org
貌似是从数学角度入手的。你挨着看,看不懂的再去找相关的基础教程。

机器学习用得到的也就只是数学里的线代、统计、概率,但又分别只用了这几门里的一部分。要找准方向啊兄弟。
visualeric
2018-05-05 20:03:46 +08:00
推荐一套教材《程序员的数学》,第二本讲概率与统计,第三本讲线性代数。
diggerdu
2018-05-05 20:57:44 +08:00
deep learning 一本书够了
diggerdu
2018-05-05 20:58:41 +08:00
@musclepanda @starcraft 完全是乱讲
thedrwu
2018-05-05 21:12:32 +08:00
@Leigg 自学线代没有参考应用的场景那只有数学系的人才能学下去吧?
若不知道一些基本概念比如特征值、正定矩阵、二次形、以及各种 span 出来的空间,在现实世界中有什么具体模型可以参考,学完立刻忘了。

对于偏向实践应用,没有系统的经过专业数学训练的工程人员,还是从现实应用返回去抽象出原理,然后有兴趣再推导细节扩展到高维度,比较实际。
Leigg
2018-05-05 21:44:06 +08:00
@thedrwu 对,所以我现在是结合 ML 的视频在看。
bucky
2018-05-05 22:04:26 +08:00
我觉得从底层往上学绝对是一个很差的方法
wizardforcel
2018-05-05 22:06:59 +08:00
@diggerdu 你要是想靠它吃饭,**绝对不应该**只看它本身,还要了解具体的应用领域。
SingeeKing
2018-05-05 22:07:36 +08:00
@zst #6
YRodT
2018-05-05 22:45:52 +08:00
给初学者推荐花书,这是要把人往死里逼么
BadMan
2018-05-05 22:55:11 +08:00
花书不错啊,可就是看起来有点像科普书,没有很深入,建议上 prml,然后直接打比赛和看 nlp、cv 等相关应用方向的论文。
lunafreya
2018-05-05 23:11:48 +08:00
懂几个基本概念后去看论文。
razerhell
2018-05-06 00:37:57 +08:00
不知道我们对

“立 flag ”

这个说法的理解是否有偏差,我印象中这个东西最好不要拿来表达“定了个目标”的意思。
WildCat
2018-05-06 04:36:48 +08:00
@twistedmeadows
@zyxbcde

周志华教授的《机器学习》和 《 Deep Learning 》都特别不适合入门,读者对象要么是数学系物理系的想看看机器学习的理论,要么是你已经熟悉了基本的机器学习,想丰满下知识体系,需要一个导论的书。这些书的地位类似《 Java 编程思想》《算法导论》。

对于楼主,你最适合看的是吴恩达的 deeplearning.ai 的课,没有之一。这门课价格合适(免费收费版都有),吴恩达教授非常善于鼓励人,不是特别强调数学基础(虽然是必须的)。你如果认真看下去(记得做笔记),一定可以成功的。附上我的《 deeplearning.ai 课程学习总结》: https://blog.wildcat.io/2018/02/summary-of-my-learning-experience-about-deeplearning-ai-zh/ 。希望可以对你有帮助。

另外对于楼上说自己看论文的,我相信你们也不会这么做的,希望不要瞎指点人。看论文是需要的,但一开始就看那简直是搞笑。

附上自己做的笔记:​
Geoffrey Hinton 对学习深度学习有什么建议:
Read some literature but don ’ t read too much of it. For creative researchers, read something, find where you think most of people are doing wrong. I ’ m contrary in that sense. Just doesn ’ t feel right. Keep yourself. If you intuition is that, you should follow it and eventually it will be successful.
Replicate paper, finding the tricks that make it work.
Never stop programming. Good students: keep working on some work. Bad students: Give up easily.
General advice for AI starters: Basically read enough so you start developing intuitions, and trust your intuitions and go for it, and don ’ t be too worried if everybody else says it ’ s nonsense. There ’ s one thing, which is, if you think it ’ s a really good idea, and other people tell you it ’ s complete nonsense, then you know you ’ re really on to something. So one example of that is, when I first came up with variational methods, I sent email explaining to a former student of mine called Peter Brown, who knew a lot about EN. And he showed it to people who worked with him. And they said this guy ’ s drunk, or he ’ s just stupid. So they really, really thought it was nonsense. Now, it could have been partly the way I explained it, because I explained it in intuitive terms. But when you have what you think is a good idea, and other people think is complete rubbish, that ’ s the sign of a really good idea. (有点哲学 =。=)
One good piece of advice for new grad students is, see if you can find an advisor who has beliefs similar to yours. Because if you work on stuff that your advisor feels deeply about, you ’ ll get a lot of good advice and time from your advisor. If you work on stuff your advisor ’ s not interested in, all you ’ ll get is, you get some advice, but it won ’ t be nearly so useful.
How do you feel about people entering a PhD program, or in top team? A: 没有真正足够深刻理解这次革命的人,这不是第二次工业革命,但是已经很接近了。这改变了我们使用电脑的方式,然而现在的计算机科学部门是传统时代建立的。我以前的部门就不允许大量的人员搞这个方向,只让一小部分人去搞。
Geoffrey 过去老不理解 Andrew 老 push 他去做。虽然他老抱怨但是他做到了,并且现在认为这是个好想法,虽然工作量极大。
关于 AI 领域辩论自己的看法:Symbolic AI is a big mistake. 传统观念认为,words 进,words 出,中间思考的过程也应该是 类似 words 或者 strings 的东西。但是比如 CNN,是 pixels 入,pixels 出,但是中间是数学向量表示。他认为这才是正确的方向。
<amp-youtube data-videoid="-eyhCTvrEtE" layout="responsive" width="480" height="270"></amp-youtube>
事实胜于雄辩。
Xs0ul
2018-05-06 04:41:09 +08:00
周志华的西瓜书很不错,属于深入浅出,有直观理解也有数学推导,至少我第一次看跳过了很多证明的细节,但是还是对算法思路有大致的理解

另外吴军的数学之美涉及很多 NLP 的模型,因为不是按机器学习教材写的,读起来也很愉悦
stevenbipt
2018-05-06 09:28:13 +08:00
数据分析除了上面几门课估计还要加上统计学
fghjghf
2018-05-06 09:29:19 +08:00
楼主别怂。我昨天才看到一个 70+的老大爷,还在背英文单词。。数学不用从头学,捉重点。有目的的学,不然这是个无止境的坑。程序员的数学是坑来的,没点基础你绝对看不懂。建议直接入手 Python 的 DL。书名忘记了。不过小白也能懂。
twistedmeadows
2018-05-06 09:52:19 +08:00
@WildCat
楼主理科研究生毕业。我不认为他拿到这种数学公式多的资料会是一脸懵。他上面说的懵逼我个人理解为谦虚了,是假懵逼。学过考过忘掉了,和完全没碰过是不一样的。

deep learning.ai 的课我也在学。现在刚学完两门。
但我给吴恩达的斯坦福 ML 课打了 10 分推荐度,给他 DeepLearning.ai 前两门只打了 7 分。它太简单了。过于简化了。仗着深度神经网络一些优越的特性而抛掉了很多细致的论证。
我在这套课里获得的成就感远小于斯坦福 ML。如果是很功利地急于在这方面产生价值,当然可以学这个。但是我还是推荐走一条稍微困难一点但是更坚实的路。
twistedmeadows
2018-05-06 09:54:59 +08:00
西瓜书我也觉得不错。我第一次看的时候是跳过大多数公式当科普书看的。
不过后来再想认真看的时候又发现它「教材」性质比较重。面铺得比较广,一些在实践上比较关注的技术它都没有深入去讲。

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/452284

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX