階段性總結、反思、計劃
機器學習目前就告一段落了，但並不是結束了，還有很多知識都沒講，如PCA、LDA、梯度提升、聚類中的更復雜的聚類方法等都沒有講，這些知識我打算做專案遇到後再詳細的介紹，效果可能會更好，另外就是已經講的都是基礎的東西，同時也是很深入的知識，基本上每個演算法我都深入挖掘了。這些知識將為我下面的深度學習打下基礎。
如果真有人看到，我還是先給大家說說學習理論的難點，然後再說一下個人的計劃，督促自己。理論的學習的難點第一個就是數學公式，基礎的概率知識、矩陣知識和高等數學是很有必要的，大家千萬不要懼怕數學，要慢慢喜歡數學，數學的魅力在於，他可以使用簡單的數學公式去描述很重要的問題，更容易理解。搞演算法，數學是基礎，提高自己的建模能力更重要。還有就是對於學習，我不喜歡一開始就深入細節裡，那樣容易走彎路，我一般是希望從整體去把握這個領域的知識，等整體把握以後，就知道哪裡是重點哪裡是難點了，然後在細節深入，另外就是學習理論不能急，他需要一個過程，過程的長短和你的學習能力和理解能力以及你的專業背景有關，請不要盲目從眾，要找到適合自己的學習方法。當你第一次接觸某一個新的領域的知識時，學習時儘可能的去深入理解，不可以走馬觀花，實在不會的可以放放，等到第二遍學習，那時候你已經有全域性觀了，這個時候每個演算法都有深入理解，找到演算法的本質，搞明白演算法的來龍去脈，因為每個演算法的產生肯定是為了解決一個或者一類問題的，這是很關鍵的，去體會當時的人是如何思考問題的，為什麼他能想到，如果我們遇到類似的問題，我們能不能想到解決方法？這是很重要的即知其然更要知其所以然的目的。當然這些都建立在你有足夠時間的基礎上，我在讀研究生，所以時間很多，每天可以花個十多個小時去深入學習，所以還是要分情況，但是效果應該是一樣的，因為學習的終極是當你遇到新問題或者類似的問題，在沒有可以參考的情況下，你能不能創造性的解決問題，這才是最重要的。而這個能力就是在學習時，多思考，多想別人是怎麼思考的，別人為什麼這樣想？因此，學會學習很重要，找到適合自己的學習方法更重要，最重要的是學會發散思維的思考，不要把問題停留在表面，而是深入挖掘問題的本質，這才是核心競爭力。這些就是我學習的經驗
與其說本節是機器學習的總結，倒不如說我學習了將近兩年的人工智慧學習的總結，從2016年的11月份我開始關注人工智慧行業，到2017年6月份全身心的投入學習，將近兩年了，這兩年的學習使我可以從整體窺探這個領域的全貌。第一年我沒有選擇立刻就開始投入學習CNN、RNN這些‘高大上’的演算法實現上，因為我知道，想要深入學習深度學習，本領域的基礎知識必須很紮實，且對本領域的各個演算法必須理解透徹，演算法的優缺點、適用範圍必須深入理解，同時還要知道演算法被髮明的出來的來龍去脈，做到知其然更要知其所以然的地步，只有這樣在使用深度學習時才能靈活的運用，遇到問題才知道如何解決。所以第一年我靜下心去學習了機器學習、深度學習、自然語言處理、強化學習的理論，學習這些理論我花費了將近一年半的時間，第一遍學習確實困難重重，但是堅持下來了，收穫了很多，這些理論學完以後，對這個領域開始有了整體的把握。後面又花費三個月看了幾本這個領域的經典書籍，經典書籍看完以後，2018年9月份我開始從頭整理學習的知識，這次是在有全域性概念的前提下再一次深入理解知識，此時的深入就達到內化了，明顯的感覺到，第一遍學習很難理解的地方，第二遍開始後很簡單了，而且理解的更深入了。同時為了更好的理解知識和輸出知識，開始寫部落格，寫部落格的目的就是把自己理解的知識輸出，一是檢驗自己的學習，二是讓別人幫你檢視你的理解是否有錯或者幫助別人學習，三是以後忘了，再看很容易的回憶起。
九月份開始準備寫，準備了將近大半個月，集中精力使用了一個多月把機器學習的主要演算法完成了，下面就開始深度學習，同時也在不停的學習資料處理方面的知識，希望年前能把深度學習知識體系化，資料處理方面也深入學習一下。當然不會只做這些東西，其他時間也在學習演算法，雖然以前學習過演算法，但是現在感覺當時理解的不深入，需要繼續深入理解。年後計劃把資料結構也在次深入理解一下，同時學習c++了，雖然理論學的很好，但是最後終歸是要落到實處的，以後畢業工作了，公司是要能幹活的人，而不是隻懂理論的人。雖然現在對c語言很熟悉，對python的也熟悉，但這些語言終歸不適合實現演算法，因此學習c++很有必要。明年的經歷將主要放在實戰上，即應用上，如果時間足夠還會把自然語言處理的理論通過部落格輸出，剩下的時間就是不停的實戰專案，漲經驗，通過機器學習的實戰發現，一旦理論深入理解了，調引數還是很容易的，在深度學習應該也是適用的吧，目前的計劃就是這樣，計劃有了，剩下的就是一步步實現它。
好，使用兩天把深度學習的思路理順，然後開始深度學習的理論總結。
2018.11.7