寫在前面

我們現(xiàn)在處在了一個知識高速迭代的時代，在這個時代，你可能會有這樣一種感覺，如果學(xué)習(xí)時從頭到尾學(xué)一遍再使用（就像我們在學(xué)校學(xué)習(xí)時），會發(fā)現(xiàn)剛學(xué)完又出現(xiàn)了新的，等學(xué)了后面的理論還沒實踐，前面的又忘了。這樣的學(xué)習(xí)方式，仿佛永遠(yuǎn)在學(xué)理論，自身沒有進(jìn)步，浪費了很多時間。

在剛?cè)肟尤斯ぶ悄艿臅r候，我也是這樣的一種學(xué)習(xí)思路。先從機(jī)器學(xué)習(xí)開始，搜一些課就開始學(xué)習(xí)記筆記，然后再深度學(xué)習(xí)，等學(xué)完之后，深度學(xué)習(xí)又出了新的東西，又去學(xué)理論……如此反復(fù)。表面上，我很努力，也學(xué)習(xí)到了很多理論，但是實際上，如果問這些理論的細(xì)節(jié)，我大腦里面根本就模糊不清。這是因為，我學(xué)習(xí)到的這些知識，我都沒有真正的用到它。沒有機(jī)會實踐出來。所以后來我開始反思，在現(xiàn)在這個時代，我們以前的學(xué)習(xí)方式不太適用了，如果想高效率的學(xué)習(xí)，需要轉(zhuǎn)換一種學(xué)習(xí)方式，不妨從實用的角度出發(fā)，遇到不會的再去查漏補(bǔ)缺，這樣效率更高。?

從實用的角度出發(fā)

學(xué)習(xí)知識的時候，一切從實用的角度出發(fā)，我們學(xué)習(xí)知識，都是要解決實際問題的，所以千萬不要把過多的時間都放在理論之上，因為理論知識太多了，我拿入門機(jī)器學(xué)習(xí)和深度學(xué)習(xí)來講，如果真的想做好人工智能，需要四個維度的知識（當(dāng)然這是我自己的知識框架）：

編程基礎(chǔ)（Python編程，數(shù)據(jù)分析基礎(chǔ)：numpy，pandas，可視化，特征工程等，深度學(xué)習(xí)框架TensorFlow，Pytorch）

數(shù)學(xué)基礎(chǔ)（數(shù)學(xué)，數(shù)理統(tǒng)計，線性代數(shù)）

算法基礎(chǔ)（內(nèi)功算法：算法與數(shù)據(jù)結(jié)構(gòu)，外功算法：機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法）

應(yīng)用領(lǐng)域（CV，NLP，RS，預(yù)測，分類，聚類等）

對于一個剛?cè)腴T的小白來講，千萬不要從頭一個個的補(bǔ)充理論，這樣你會發(fā)現(xiàn)，光數(shù)學(xué)這塊都夠你學(xué)習(xí)很長時間的，并且學(xué)習(xí)完之后忘了不說，還不會用。這就是我之前采用的學(xué)習(xí)方法。我確實浪費了一些時間。

后來我發(fā)現(xiàn)，其實，我們完全可以不用全知道上面這些維度所有的知識，只需要了解一些基本概念（這個還是要了解一遍的，要不然都不知道后面講的是啥），就挑一些簡單的知識進(jìn)行學(xué)習(xí)，比如數(shù)學(xué)基礎(chǔ)，由于大學(xué)里我們都學(xué)過這幾門科目，所以這里其實不用那么仔細(xì)的再來一遍，一些概念比如積分，矩陣乘法，數(shù)理統(tǒng)計的一些知識有印象就可以了，編程基礎(chǔ)，Python的基礎(chǔ)語法學(xué)一些，numpy，pandas等基本的使用學(xué)一些（可參考我上一篇Pandas入門），可視化的東西學(xué)一點，就是各個學(xué)點，然后就可以先上手了。

找一些項目上手練習(xí)，可能一開始確實很辛苦，因為很多東西，你并不知道說的是啥，比如過擬合，欠擬合等這些東西，然后去查，去找，補(bǔ)充到自己的知識框架里面，然后再學(xué)習(xí)，通過這種方式，時間長了，你會發(fā)現(xiàn)，你的知識框架會慢慢的變得豐富起來，并且由于總是在用，遺忘速度也沒有那么快。這樣還可以追趕新的技術(shù)。

這是一種開始速度慢，但是加速度快的學(xué)習(xí)方式，但是出發(fā)之前，一些基本的概念，尤其是機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法，一些基本的概念還是必須要弄清楚明白的。上面說的這個一點，也是很重要的，不僅要全，還要精。

MAS方法–出發(fā)之前我應(yīng)該如何掌握知識

上面講的是從實用的角度出發(fā)，就是我開始一個項目，從項目中學(xué)習(xí)新知識，但是能出發(fā)的前提是有了一個基本的知識框架和基礎(chǔ)了。

這個基本的知識應(yīng)該如何學(xué)習(xí)呢？或者說跟著課程學(xué)習(xí)的時候應(yīng)該如何學(xué)習(xí)呢？

這里記錄一個在課程中學(xué)習(xí)到的一個高效的學(xué)習(xí)方法，稱之為MAS方法。

Multi-Dimension：想要掌握一個事物，就要從多個角度去認(rèn)識它。

如何建立多維連接呢？

基礎(chǔ)概念：這是基礎(chǔ)，一定要吃透

工具：掌握工具，鍛煉實操

題庫：想真正的了解概念，就要多練，多動手

這個過程，就是從“思維”到“工具”再到“實踐”的一個過程。如果說重要性，一定是“思維”最重要，因為思維是底層邏輯和框架，可以讓我們一通百通，舉一反三，但是思維修煉也是最難的。所以，我強(qiáng)調(diào)把學(xué)習(xí)重心放在工具和實踐上，即學(xué)即用，不斷積累成就感，思維也就慢慢養(yǎng)成了。

Ask：不懂就問，程序員大多都很羞澀，突破這一點，不懂就問最重要。

Sharing：最好的學(xué)習(xí)就是分享。用自己的語言講出來，是對知識的進(jìn)一步梳理。

修煉指南–從認(rèn)知到實踐再回到認(rèn)知，如此反復(fù)

人與人最大的差別在于“認(rèn)知”，所謂成長就是認(rèn)知的升級。

很多人存在對“認(rèn)知“的誤解，認(rèn)為認(rèn)知不就是概念么？那么你有沒有想過，針對同一個概念，為什么不同的人掌握的程度是不一樣的呢？

我們只有把知識轉(zhuǎn)化為自己的語言，它才真正變成了我們自己的東西。這個轉(zhuǎn)換的過程，就是認(rèn)知的過程。

那么如何提升自己的學(xué)習(xí)吸收能力呢？簡單地說，就是要“知行合一”。

如果說認(rèn)知是大腦，那么工具就好比我們的雙手，數(shù)據(jù)工程師和算法科學(xué)家每天打交道最多的就是工具。如果你開始做數(shù)據(jù)分析的項目，你腦海中已經(jīng)思考好了數(shù)據(jù)挖掘的算法模型，請牢記下面這兩點原則。

1.不重復(fù)造輪子

舉個數(shù)據(jù)采集的例子，很多公司，都有數(shù)據(jù)采集的需求，他們認(rèn)為某些工具不能滿足他們個性化的需求，因此決定招人專門做這項工作。而結(jié)果怎樣呢？做了1年多的實踐，工資投入幾十萬，結(jié)果發(fā)現(xiàn)Bug一大堆，最后還是選擇了第三方工具。耗時耗力，還沒什么成效。一個模型是否有相關(guān)的類庫可以使用——這幾乎是每個程序員入行被告知的第一條準(zhǔn)則。

2.工具決定效率

“不要重復(fù)造輪子”意味著首先需要找到一個可以用的輪子，也就是工具。我們該如何選擇呢？這取決于你要做的工作，工具沒有好壞之分，只有適合與否。除去研究型的工作，大部分情況下，工程師會選擇使用者最多的工具。因為：Bug少、文檔全、案例多。比如Python在處理數(shù)據(jù)挖掘上就有很多第三方庫，這些庫都有大量的用戶和幫助文檔可以幫助你來上手。

選擇好工具之后，你要做的就是積累“資產(chǎn)”了。我們很難記住大段的知識點，也背不下來工具的指令，但是我們通常能記住故事、做過的項目、做過的題目。這些題目和項目是你最先行的“資產(chǎn)”。

如何快速積累這些“資產(chǎn)”呢？三個字：熟練度。把題目完成只是第一步，關(guān)鍵在于訓(xùn)練我們工具使用的“熟練度”。

當(dāng)熟練度增加的時候，你的思考認(rèn)知模型也在逐漸提升。

總結(jié)

認(rèn)知三部曲：從認(rèn)知到工具，再到實戰(zhàn)，然后如此反復(fù)。

不管是學(xué)習(xí)什么知識，我們都應(yīng)該這樣做：

記錄下你每天的認(rèn)知。尤其是每次課程后，對知識點的自我理解。這些認(rèn)知最好是通過博客或者筆記的方式整理，分享出來，不懂的也一定要問MAS。

這些認(rèn)知對應(yīng)工具的哪些操作。用工具來表達(dá)你對知識點的掌握，并用自己的語言記錄下這些操作筆記。

做更多練習(xí)來鞏固你的認(rèn)知。我們學(xué)習(xí)的內(nèi)容對于大部分外人來說，就像“開車”一樣，很酷。我們學(xué)習(xí)的內(nèi)容，對于要掌握的人來說，也像“開車”一樣，其實并不難，而且很多人已經(jīng)上路了。你需要的就是更多的練習(xí)。