科研思考：关于ML-DL 算法的学习

前言

之前一直觉得，一行一行的读懂《高等代数》《概率论与数理统计》是一个很牛逼的事情。
我也一直是这么学这些内容，尝试从一个一个词一句一句话里去学习一个理论概念。
但这个过程是痛苦且低效的（我一直觉得，这个过程应该是让你越学越开心的。）

我觉得，数学理论是对细节严谨的，但绝不是拘泥于细节的。从许多细节积累然后学习一个数学理论怎么看都是不科学的。

如何学习理论

• 抓住重点
• 自顶向下
• 抽象

这三点应该是数学学习的特点。

1. 抓住重点，我无需过多关注或者记忆某个理论的的条件和约束，更重要的是理解核心思想，有时候通常是某一个或者某几个数学公式。
2. 自顶向下，两个层面，一方面是任务驱动，我要做什么事情，解决什么问题，根据问题去学习什么方法。科研中一个大问题，课程中一个个小的例子，都可以帮助我们从一个任务的角度去理解这个概念。另一方面是和抽象相关联的，比如我们不能只说，我们要解决机器翻译问题，我们可能要解决的是Seq2Seq问题，我们可能要解决的是序列问题，这样的不断加深的抽象的层次是需要的。（我认为，极简的真理就是这样不断的抽取得到的。）
3. 抽象，本科高代老师说过一句话，影响了我整个数学学习经历 “理解一个定理最好的办法是找到例子”，这里有一个极其重要的区分，我认为，我们的抽象应该是，透彻且深刻的理解，一个理论的核心内容–表示为数学公式，而例子就是帮助这个理解的重要组成部分。 同时，抽象不是什么，抽象绝对不是，数学课本上晦涩的语言。（当你理解了本质，做到了严谨，一句晦涩的概念定义，自己可以随意的描述。）

具体的操作建议

1. 不要将大把时间浪费在一次性搞懂理论理解上
2. 不要尝试停下来理解所有的知识点
3. 上面两点要保持思考。
4. 不要浪费时间：请学习快速学习知识点，一天学4-5个，这样学习需要整理。
5. 请跑代码，“真的”去跑代码。不要去深入学习理论。去玩转代码，看看它们“吃进什么吐出什么”
6. 如果某些问题卡壳了，不要停下来深挖，继续前行！但要在以年月为单位的日子里不要停下来思考这些问题。
7. 一个对自己数学理论学习忠实的建议，不要以完美主义的思想去学习理论，但要一直思考，一个知识点一个小问题，一点一点的思考。然后对哪个问题有兴趣就要尝试深挖这个理论。关于记忆，只要你是真的思考就不会忘记。

参考资料：

1. 关于学习机器学习算法的一些建议（忠告）
2. 如何高效地学习机器学习算法？