Android 工作三年，开始入门机器学习。遇到瓶颈（可能姿势不对？），求助。

[theworldsong]

如题。

基于中年焦虑（ 94 年的中年人）和前瞻，想要往机器学习靠拢。但现在遇到这几个问题：

1：许多概念和定理都能理解，但是无法深入探讨 /自行实现：例如，我明白梯度下降 /k-means 是怎么回事，但要我从零开始实现，我做不到。这是正常的吗&该怎么办？

2：对于已踏入工作岗位的人来说，应该试着寻求落地，后续再补充短缺的知识点，这个做法正确吗？

目前在读书籍：DL，https://github.com/exacity/deeplearningbook-chinese 完成了第一部分“基础知识”（仍处于“理解但无法自行实现”）

望指导，非常感谢！

基础方面，线代和矩阵计算是没问题的。

但是不熟练。积导定偏凑，不能迅速反应，导致看公式每一步都要看好久，最终导致跳过。。。

感谢大家的建议和见解。我补充几点吧

1、主业还是 android，ML 仅作为知识面的横向拓展
2、并非因为要落地而学习，仅仅是综合实际情况，认识到自己无法太偏向学术
3、并非焦虑推动，确实因为这东西有趣，而且能认识到它的作用域，希望要用到的时候能有所准备
4、回去读书不太可能。。

[closedevice]

当感觉遇到瓶颈的时候,就把基础加深一点,再回过头来看.

[zouzou]

1.机器学习门槛挺高的，调低期望值，3 个月内把“ Deep Learning ”这本书快速过一遍，不懂的就跳过去。
2.这是个人决策问题，当爱好是无所谓，从工作的利益看，android 开发有几个关联的方向，a.向其他客户端拓展如 ios，web 前端； b.计算机网络，算法； c.全栈工程师； d.其他。机器学习是个完全不同的领域，是否要 all in ～～～

[LinSP]

先学线性代数

[VoidChen]

94 已经中年了吗。。。

[ballshapesdsd]

90 还在吭哧吭哧啃机器学习大部头的路过，不要太浮躁了

[gaby2018]

机器学习，好好补补数学问题应该不大

[RoyL]

@VoidChen
25 了已经

[ryougifujino]

搞这个应该读研吧，自己当兴趣还行，转行不靠谱

[takato]

基于焦虑建议不要入坑。。
如果基于兴趣，可以考虑。。

[claymore94]

94 的中年人的呐。。

[jiangnanyanyu]

我是没发现机器学习有什么好玩的。。。

[necomancer]

正常，正常理解了用现成工具就成。想更进一步，无论是研究还是实现，需要更多数学（计算数学？）知识。比如梯度法的数值实现时的具体方法以及该方法的误差等等，学会这些自然什么都会了。简单的例子：微分方程很好列，比如弹簧或者串并联的弹簧组或者一些简单动力学体系，但如果希望用计算机做数值解，不是简单地做个差分就行的，许多算法 /分析手段（比如算子裂分）应运而生，懂这些自然懂实现。至于 k-means 一类的算法涉及的是其他数学领域，同样，能用数学语言写出推倒 /证明，实现就简单很多，如果停留在“我理解了这个东西的思想以及说明中提到的公式……”层面，自然很难实现。

具体看需求吧，如果工作需求偏数据向，学好统计 /概率 /信息论 /随机过程之类的才是硬道理，实现甚至很多算法本身只要做到知道个原理，知道个思想然后用一些工具比如 tensorflow/mathematica/matplotlib 撸出来……不过多学东西总是好的，先学最用得着最重要的比较现实。

[008px]

94 年工作三年？？我才毕业一年半…

[XOXO360]

先考个研？没学历，哪怕你会了也不会要你的……机器学习其实就是数学……

[XOXO360]

补充下，有的时候自己觉得理解不是真的理解……打开书我都会，关上书…总之先考个数学系研究生…做算法不是解题……

[duvalier]

我看到 94 中年人就不想看下去了

[kuhung]

建议撸比赛（项目）。这个东西归根到底还是实践层面的事。想想你怎么学写 Android 的，照着模式做。不过我感觉这波泡沫快到头了...

[behanga]

自学的机器学习的最大问题在于 就算相关概念和算法看懂了 没有特定的数据集训练 空有理论 无处发挥 这是很蛋疼的 这个和开发 android 一样 没有大体量的工程实践在里面 很多人觉得开发 app 很容易就到头了

[ducklyl]

94 中年人,8 开头的我不是老年人了吗

[ltux]

大部分程序员工作只需增删查改就行了，但机器学习只会增删查改屁用都没有，一般人玩儿玩儿就行了，没数学基础搞不了。

[ashCloud]

可以先读个北美 master

[miscnote]

我在 AI 行业。这行还是重视基础，梯度下降、反向传递、线性回归，这些是最基本的了。了解基本概念后，可以先从框架开始，比如用熟悉 pytorch，然后回过头来再看底层库的实现。当然，往应用方向走，经典的模型，比如 CV 的 resnet 之类，是必须了解的。

[lychnis]

94 中年人！？ 现在什么风气了。 等你三十四十叫什么？

[shm7]

这些知识假如不能为企业解决实际问题的话，那充其量就是基础的作用。你懂这么一点理论知识，在理论上都不算多，你还没看 sklearn pandas numpy seaborn 吧 深度学习前面讲的东西深挖可以多了去了 你看了 dropout l2 怎么用吗 learning rate 网络结构怎么调么？

1w hours

[HankAviator]

1. 灾难式排版，发表前如果能预览下就好了。
2. 学机器学习感觉像在 ubuntu 上装软件，一个软件包依赖 N 个，上游又依赖 N 个…然后 ML 是属于很靠下游的，每学一点就发现缺一些依赖…基础不牢其实确实挺难学下去的。而且出结果和搞算法又是两个分支，前者说不定职位还更多一点，也不需要研究太深。

[stop9125]

94 年是怎么工作三年的，不是本科么

[yunxiyinzhe]

没个相关专业硕士学历就别强迫自己了。

[imgode]

看到 94 中年，就觉得这是个矫情比

[yuduxyz]

看书的同时多动手会更有效率，自己还不能从头实现算法就先当调包侠，用 python 也好 matlab 也好，先参加几个简单的 kaggle 项目，多套用不同的算法，找找感觉。然后再尝试自己实现之。

再然后。。。你可能会发现，还是 Android 好玩。哈哈

[theworldsong]

@HankAviator 一个软件包依赖 N 个，上游又依赖 N 个

[theworldsong]

@HankAviator 一个软件包依赖 N 个，上游又依赖 N 个

就是这种感觉