1.前言 — 程序員是一個(gè)知識(shí)更新較為迅速的一個(gè)職業(yè)，這個(gè)行業(yè)的知識(shí)的更新速度，有的時(shí)候會(huì)超過(guò)你的學(xué)習(xí)速度。大部分的人都在不斷的更新自己的知識(shí)體系，這里筆者要向讀者安利一下機(jī)器學(xué)習(xí)（包含深度學(xué)習(xí)）的重要性，以及常見(jiàn)的知識(shí)。作為個(gè)人能力的提升，筆者覺(jué)得這一點(diǎn)是程序猿/媛，需要掌握的一想技能。 其實(shí)在互聯(lián)網(wǎng)公司工作過(guò)的同學(xué)都應(yīng)該有這樣的感觸，我們正在從IT到DT的轉(zhuǎn)型，算法在應(yīng)用中變得越來(lái)越重要了。

處在向DT轉(zhuǎn)型中的我們也就理所當(dāng)然的需要掌握DT的核心——算法。外界將大數(shù)據(jù)吵得如火如荼，但對(duì)于業(yè)內(nèi)人來(lái)說(shuō)，這些東西只是吵概念而已，簡(jiǎn)單的大數(shù)據(jù)是沒(méi)有太大意義的，數(shù)據(jù)就好比是發(fā)動(dòng)機(jī)運(yùn)轉(zhuǎn)需要的燃料，而算法則是發(fā)動(dòng)機(jī)。只有有了發(fā)動(dòng)機(jī)數(shù)據(jù)才能發(fā)揮它的價(jià)值。就像石油已經(jīng)在地下沉睡千萬(wàn)年，在發(fā)動(dòng)機(jī)產(chǎn)生前并沒(méi)有人認(rèn)識(shí)到它的價(jià)值，但發(fā)動(dòng)機(jī)產(chǎn)生后，石油才成為像黃金一樣珍貴的東西。所以我們必須掌握算法知識(shí)才能更好的駕馭DT這輛戰(zhàn)車。

然而在實(shí)際的工作中所謂的算法工程師，實(shí)際上大部分應(yīng)該叫做“算法應(yīng)用工程師”，很少有算法工程師能夠產(chǎn)生自己的算法。我這么說(shuō)肯定有人要拍磚，但實(shí)際上確實(shí)是這樣的。比如做一些分類問(wèn)題用邏輯回歸、SVM等常用算法，對(duì)于一些復(fù)雜問(wèn)題，如圖像分類用CNN處理，稍微復(fù)雜一點(diǎn)的NLP問(wèn)題用RNN處理。很多算法工程師日常工作大部分用在數(shù)據(jù)處理、訓(xùn)練數(shù)據(jù)集選擇、校驗(yàn)數(shù)據(jù)集選擇等，不斷的調(diào)節(jié)參數(shù)從而獲得較好的效果。這里不是詆毀那些努力工作的算法同學(xué)，我在研究生的時(shí)候也是搞機(jī)器學(xué)習(xí)的，工作后，先搞工程、又混合著搞算法，如分類問(wèn)題，類目映射（將A網(wǎng)站的商品映射到B網(wǎng)站的類目下）、接著搞NLP（基于RNN和CRF做slotfilling）…，接著又搞工程…。我想說(shuō)的是算法沒(méi)我們認(rèn)為的那么復(fù)雜，但實(shí)際上又遠(yuǎn)比我們認(rèn)識(shí)的復(fù)雜。

為什么說(shuō)算法不復(fù)雜卻又很復(fù)雜？其實(shí)這并不矛盾。說(shuō)其不復(fù)雜是因?yàn)槲覀儾槐赝耆莆毡澈髲?fù)雜的公式推導(dǎo)，只需要知道背后的物理意義、知道響應(yīng)的算法或模型適合處理的問(wèn)題、知道如何調(diào)節(jié)相關(guān)的參數(shù)等即可。說(shuō)其復(fù)雜是因?yàn)楸澈蟮耐茖?dǎo)確實(shí)很麻煩，就拿常用的SVM算法來(lái)說(shuō)，讀書的時(shí)候硬生生的是照著PPT推導(dǎo)了一周才推導(dǎo)成功（也反映出自己數(shù)學(xué)基礎(chǔ)有點(diǎn)渣）…。繼續(xù)說(shuō)復(fù)雜性，要非常純熟的掌握相應(yīng)算法的核心，需要對(duì)線性代數(shù)、概率、微積分等重要的數(shù)學(xué)知識(shí)掌握和理解的較為透徹。這里不得不說(shuō)我們的大學(xué)里相關(guān)的數(shù)學(xué)教育，感覺(jué)線性代數(shù)、概率、微積分講得不徹底，只是學(xué)了知識(shí)點(diǎn)但背后的物理意義卻沒(méi)能講清楚，比如矩陣相關(guān)運(yùn)算的物理意義就是在實(shí)際的算法中才體會(huì)到的，數(shù)學(xué)真應(yīng)該讓計(jì)算機(jī)老師來(lái)講。話說(shuō)的有點(diǎn)多，但對(duì)于程序員來(lái)說(shuō)我覺(jué)得數(shù)學(xué)知識(shí)必須要學(xué)的扎實(shí)，特別對(duì)于學(xué)校中的學(xué)生來(lái)說(shuō)，其他課程可以不太用心，但數(shù)學(xué)相關(guān)必須牢牢地掌握，要用心，特別要掌握其背后的物理意義。

為什么我們要掌握算法呢？首先感覺(jué)是因?yàn)榄h(huán)境的變化，因?yàn)樗惴ㄗ兊迷絹?lái)越重要，如之前的新聞，谷歌轉(zhuǎn)型：把2.5萬(wàn)工程師變成機(jī)器學(xué)習(xí)專家，google都已經(jīng)走在前列了，也足見(jiàn)機(jī)器學(xué)習(xí)越來(lái)越重要了。現(xiàn)在很多產(chǎn)品，工程只是對(duì)算法進(jìn)行包裝，很多產(chǎn)品的核心是算法，如滴滴、Uber。

其次，工程師懂算法，真的有點(diǎn)像流氓會(huì)武術(shù)，誰(shuí)也攔不住了。一方面增加自己的核心競(jìng)爭(zhēng)力，另一方面在團(tuán)隊(duì)溝通的時(shí)候也更加方便。很多算法工程師的架構(gòu)、系統(tǒng)能力不足，如果工程師懂得算法，那么可以和算法同學(xué)順暢溝通，有助于產(chǎn)品或項(xiàng)目的實(shí)現(xiàn)。

最后，對(duì)于在校生、再找工作、畢業(yè)生或者剛工作的同學(xué)，能夠掌握機(jī)器學(xué)習(xí)的基本知識(shí)能夠增加你的核心競(jìng)爭(zhēng)力，在競(jìng)爭(zhēng)面前更容易脫穎而出（特別是在面試的時(shí)候，不一定要有實(shí)戰(zhàn)經(jīng)驗(yàn)，你能講的清楚也是很不錯(cuò)的）。

總之，個(gè)人覺(jué)得，對(duì)于工程師而言，學(xué)習(xí)機(jī)器學(xué)習(xí)相關(guān)算法是提升個(gè)人核心競(jìng)爭(zhēng)力的重要一步。那么接下來(lái)筆者就在這里進(jìn)一步闡述作為工程師應(yīng)該掌握哪些相關(guān)算法、如何去學(xué)習(xí)相關(guān)算法。

###2.基礎(chǔ)知識(shí) — #####2.1 線性代數(shù)基礎(chǔ)知識(shí) 個(gè)人覺(jué)得線性代數(shù)知識(shí)是在工作中用的最廣的大學(xué)知識(shí)，特別是矩陣相關(guān)知識(shí)在實(shí)際應(yīng)用中使用最為廣泛。但從個(gè)人經(jīng)驗(yàn)看，很多畢業(yè)生對(duì)于線性代數(shù)特別是矩陣相關(guān)知識(shí)掌握的很膚淺，對(duì)矩陣的理解很不到位，曾經(jīng)問(wèn)過(guò)一些畢業(yè)生，對(duì)于矩陣的SVD很多人會(huì)解，但背后的物理意義卻模糊不清。 講義鏈接：［Linear Algebra Review and Reference］（http://ai-coder.com/batbus/pdf/cs229-linalg.pdf） #####2.2 概率基礎(chǔ)知識(shí) 概率知識(shí)是也是實(shí)際工作中使用較為廣泛的知識(shí)，從BAT的筆試題中可以看出，概率計(jì)算基本是逢考比用的。其中較為常用的就是貝葉斯定理了，在復(fù)習(xí)這部分的知識(shí)的時(shí)候，一定要弄清楚相關(guān)定理的前置條件。 講義鏈接：［Review of Probability Theory］（http://ai-coder.com/batbus/pdf/cs229-prob.pdf） #####2.3 凸優(yōu)化 在許多機(jī)器學(xué)習(xí)算法中，我們最終是求一個(gè)目標(biāo)函數(shù)的最大值或最小值，很多時(shí)候這種問(wèn)題最終歸咎為目標(biāo)函數(shù)的優(yōu)化問(wèn)題，實(shí)質(zhì)是一種凸優(yōu)化問(wèn)題，所以讀者需要掌握一些凸優(yōu)化問(wèn)題的基礎(chǔ)知識(shí)。 講義鏈接：［Convex Optimization Overview］（http://ai-coder.com/batbus/pdf/cs229-cvxopt.pdf） ######注：講義來(lái)源于Stanford深度學(xué)習(xí)與NLP課程前置基礎(chǔ)知識(shí) — ###3.應(yīng)該了解哪些算法 這里不會(huì)對(duì)相關(guān)的算法做展開(kāi)，只想從個(gè)人轉(zhuǎn)型的經(jīng)歷向讀者闡述，應(yīng)該掌握哪些常見(jiàn)的機(jī)器學(xué)習(xí)算法，以及學(xué)習(xí)中應(yīng)該注意的事項(xiàng)。相關(guān)的算法以及有很多博客可以參考，但個(gè)人覺(jué)得還是要先讀一遍原論文，讀不懂沒(méi)關(guān)系，能理解多少理解多少，再參考別人寫的解釋理解一遍。如果直接讀別人的博客，有可能被誤導(dǎo)，之后再反過(guò)頭來(lái)再讀一讀原論文，這樣感覺(jué)理解的能好一些。當(dāng)然也推薦大家直接學(xué)習(xí)Andrew Ng的公開(kāi)課，講的比較容易懂。而且已經(jīng)好幾年了，相關(guān)的討論、講義標(biāo)注都很全面了，對(duì)于初學(xué)者來(lái)說(shuō)是一個(gè)好的學(xué)習(xí)資源。 — ####3.1 常見(jiàn)的特征提取方法 其實(shí)特征選擇（提?。┦亲鳛楸O(jiān)督學(xué)習(xí)中特別重要的一個(gè)環(huán)節(jié)。往往我們要處理的問(wèn)題可能供處理的特征特別多，我們減少特征的數(shù)量，比如圖像處理，如果完全用像素，對(duì)于一張1000*1000的圖片，那么特征就是一個(gè)1000*1000這種高維的特征，我們需要降低這個(gè)特征的維度，這個(gè)過(guò)程就叫做特征提?。ㄟx擇）。對(duì)于圖像我們常用sift特征。常用的降維方法包括（個(gè)人常用）： ######1.PCA（主成分分析） 這是一種無(wú)監(jiān)督的降維方法，準(zhǔn)確的說(shuō)應(yīng)該是一種空間映射方法，PCA一次尋找一組正交的映射空間，并且使得能夠在這個(gè)映射空間上方差最大。這個(gè)方法使用的頻率較高，也比較典型，比較容易掌握。一般的教材書中都有相關(guān)的介紹，在Andrew Ng的課程中有相關(guān)介紹，可以直接學(xué)習(xí)。 ######2.基于樹(shù)的方法 這里嗎需要讀者理解一些常用的概念如”熵”，”信息增益”等，基于樹(shù)的方法，可以通過(guò)剪枝的方式來(lái)去掉那些對(duì)于結(jié)果沒(méi)什么大的影響的特征。這里面對(duì)于”熵”的理解，要強(qiáng)調(diào)一下，”熵”可以理解為不確定性，你可以認(rèn)為是”商量”，熵越大，不確定性越高，就越需要”商量”，越小，代表確定性越高。關(guān)于樹(shù)的相關(guān)方法，在國(guó)內(nèi)的機(jī)器學(xué)習(xí)教材中都有明確的闡釋。

######3.SVD（矩陣分解） 矩陣分解這是機(jī)器學(xué)習(xí)里面非常重要的一個(gè)線性代數(shù)知識(shí)，能夠很好的起到降維的效果。在自然語(yǔ)言處理中較為常用。比如X是word-》document的矩陣，關(guān)于SVD雖然在公開(kāi)課中有講解，但感覺(jué)還是語(yǔ)言的理解有問(wèn)題，理解的不是很透徹，發(fā)現(xiàn)這個(gè)哥們寫的相關(guān)機(jī)器學(xué)習(xí)的博客講的還都比較通透，所以讀者可以參考他的這篇博文理解一下。

相關(guān)博文：強(qiáng)大的矩陣奇異值分解

####3.2 常用機(jī)器學(xué)習(xí)算法 這里面會(huì)向讀者介紹一下工作中常用的相關(guān)機(jī)器學(xué)習(xí)算法，當(dāng)然這里也不會(huì)詳細(xì)解釋，這里只是告訴讀者存在并且常用這些算法，筆試和面試中往往會(huì)考察面試者對(duì)于這些知識(shí)的掌握。對(duì)于如何學(xué)習(xí)，筆者覺(jué)得最好優(yōu)先讀paper，再看看公開(kāi)課和相關(guān)博客。 ##### 3.2.1 常見(jiàn)聚類算法 聚類算法是我們常用的算法其思想比較容易理解，符合大腦處理問(wèn)題的思維邏輯。我們常見(jiàn)的聚類算法包括Kmeans、EM算法等，下面簡(jiǎn)單羅列一下： SimpleKmeans算法：接受輸入?yún)?shù)K，然后將數(shù)據(jù)集劃分為K歌聚簇，同一個(gè)聚簇中的相似度較高，不同聚簇的相似度較小。 Xmeans算法：Kmeans的改進(jìn)，在總體中通過(guò)Kmeans產(chǎn)生聚類，再分別對(duì)每個(gè)聚類進(jìn)行Kmeas的迭代，將某些子類進(jìn)行聚類，直到達(dá)到用戶設(shè)定的次數(shù)為止。 EM算法：期望最大化算法（Expectation Maximization Algorithm），是一種迭代算法，用于含有隱變量（hidden variable）的概率參數(shù)模型的最大似然估計(jì)或極大后驗(yàn)概率估計(jì)。這里需要說(shuō)下，EM算法背后的理論、推導(dǎo)最好好好掌握，這個(gè)掌握了，大部分的推導(dǎo)和理論基本都cover了。 相關(guān)博文：［常用聚類算法介紹之聚類種類和算法列表］（http://ai-coder.com/batbus/html/blog_detail.php？blog_id=250） ##### 3.2.2 常見(jiàn)分類、回歸算法 分類和回歸問(wèn)題，其實(shí)可以拿到一起來(lái)講。如果我的問(wèn)題最終是要將待處理的數(shù)據(jù)明確分為若干類別（常用的有二元分類、多元分類），那么就是分類問(wèn)題，如果最終需要映射到一個(gè)數(shù)值區(qū)間，那么就是回歸問(wèn)題，比如預(yù)測(cè)一個(gè)人犯罪的概率，如果需要判斷是否犯罪，那么就是一個(gè)分類問(wèn)題（是和否），如果要給個(gè)概率那么就是一個(gè)回歸問(wèn)題。 這里面我們常用的算法有SVM、LR、隨機(jī)森林、樸素貝葉斯。 線性回歸（Linear Regression）：結(jié)果易于理解，計(jì)算上不復(fù)雜，但對(duì)非線性數(shù)據(jù)擬合不好。應(yīng)該是線上應(yīng)用最為廣泛的模型，簡(jiǎn)約而不簡(jiǎn)單，更重要的是快！LR的推導(dǎo)是必須要掌握的！ SVM：通俗的講，SVM是一種二類分類模型，其模型的定義為特征空間上的間隔最大的線性分類器。其學(xué)習(xí)策略是使得間隔最大化，最終可以轉(zhuǎn)化為凸優(yōu)化問(wèn)題。簡(jiǎn)單的理解就是，在低維空間中難以劃分的問(wèn)題，將其映射到一個(gè)高維空間，在高維空間使得數(shù)據(jù)可以線性劃分。 樸素貝葉斯：樸素貝葉斯是貝葉斯理論的一部分，是一種概率模型，即選擇較高概率的決策。其前置條件是： （1）每個(gè)特征之間相互獨(dú)立。 （2）每個(gè)特征同等重要。 在數(shù)據(jù)較少的情況下仍然有效，可以處理多類別問(wèn)題。但對(duì)于輸入數(shù)據(jù)較為敏感。 隨機(jī)森林（Random Forest）：隨機(jī)森林比較適合做多分類問(wèn)題，其優(yōu)點(diǎn)是： 訓(xùn)練和預(yù)測(cè)速度快； 對(duì)訓(xùn)練數(shù)據(jù)的容錯(cuò)能力好； 實(shí)現(xiàn)簡(jiǎn)單且易并行 當(dāng)數(shù)據(jù)集中有大比例的數(shù)據(jù)缺失時(shí)仍然可以保持精度不變和能夠有效地處理大的數(shù)據(jù)集；可以處理沒(méi)有刪減的成千上萬(wàn)的變量；能夠在分類的過(guò)程中可以生成一個(gè)泛化誤差的內(nèi)部無(wú)偏估計(jì)；能夠檢測(cè)到特征之間的相互影響以及重要性程度。但容易出現(xiàn)過(guò)度擬合。 實(shí)際上該算法實(shí)際上可以理解為專投票算法，一個(gè)森林可以拆解成很多樹(shù)，每個(gè)樹(shù)都是一個(gè)決策算法，可以理解成一個(gè)領(lǐng)域?qū)＜?，眾多專家組合成一個(gè)森林，對(duì)于待處理的問(wèn)題，專家組進(jìn)行投票，最終少數(shù)服從多數(shù)，由票數(shù)決定結(jié)果。 ####3.3 深度學(xué)習(xí)相關(guān)算法 深度學(xué)習(xí)是近幾年較為火的一種學(xué)習(xí)方式，目前在實(shí)際工作中使用的越來(lái)越廣，往往不需要較為復(fù)雜的調(diào)優(yōu)就能達(dá)到其他常用的調(diào)優(yōu)過(guò)后的機(jī)器學(xué)習(xí)算法達(dá)到的水平，也就是說(shuō)，他的baseline很高，隨著向caffee、tensorflow等框架使用的推廣，這些深度模型實(shí)現(xiàn)起來(lái)越來(lái)越簡(jiǎn)單，所以工程師就越來(lái)越有必要掌握這些深度學(xué)習(xí)算法。你可以在機(jī)器上安裝tensorflow就能夠嘗試在本機(jī)上進(jìn)行手寫體識(shí)別、word2Vector訓(xùn)練等，趕緊動(dòng)起來(lái)吧。 關(guān)于學(xué)習(xí)，可以參考Stanford深度學(xué)習(xí)和NLP的公開(kāi)課，講的還比較透徹，但需要讀者掌握在文章第二部分提到的一些數(shù)學(xué)知識(shí)。 ##### 3.3.1 RNN（Recursive Neural Network） RNN是較為常用的深度模型，常用的有兩種變體，一種是時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent neural network），另一種是結(jié)構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)（Recursive neural network）。時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)的神經(jīng)元間連接構(gòu)成有向圖，而結(jié)構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)利用相似的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)遞歸構(gòu)造更為復(fù)雜的深度網(wǎng)絡(luò)。兩者訓(xùn)練的算法不同，但屬于同一算法變體。 Recurrent是在時(shí)間維度的展開(kāi)，能夠有效的表示信息在時(shí)間維度上從前往后的的傳遞和積累，你可以和馬爾科夫鏈做類比。 Recursive是在空間維度的展開(kāi)，你可以認(rèn)為他是一種結(jié)構(gòu)上遞歸的結(jié)構(gòu)，對(duì)應(yīng)為棵樹(shù)。在NLP領(lǐng)域用的較為廣泛，能夠很好的提取出結(jié)構(gòu)信息，其示意圖如下

二相比之下時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)如下：

##### 3.3.2 RNN（Recurrent Neural Network） 常見(jiàn)的示意圖如下所示，其核心就是每輪的運(yùn)算都充分結(jié)合上一輪的迭代結(jié)果。

目前最為常見(jiàn)的時(shí)間遞歸神經(jīng)網(wǎng)絡(luò)就是LSTM（Long-Short-Term-Memories）。按照時(shí)間序列進(jìn)行展開(kāi)如下圖

由上圖可見(jiàn)一般包括書入門、忘記門、輸出門，能夠很好的學(xué)習(xí)當(dāng)前特征同時(shí)兼顧上下文信息。目前較多的用于NLP范疇，其能夠較好的保留上下文信息，這樣在語(yǔ)義理解、摘要生成、情感分析等問(wèn)題處理上都能得到一個(gè)較好的結(jié)果。

讀者可以不去掌握其復(fù)雜的推導(dǎo)，但其背后的物理意義、這種思想是必須掌握的，應(yīng)用的時(shí)候，大部分都是利用現(xiàn)有框架去處理。所以這里再?gòu)?qiáng)調(diào)一遍，如果精力有限那么就要重其意。

3.3.3 RNN模型比較

其實(shí)兩種模型的區(qū)別在3.3.1中已經(jīng)做了區(qū)分，這里按照Stanford深度學(xué)習(xí)和NLP課程中所述進(jìn)行一下模型對(duì)比。

Recursive Neural Network：在語(yǔ)言層解釋性較好，能夠保留骨干信息，可應(yīng)用在句法分析、短語(yǔ)識(shí)別。

Recurrent Neural Network： 在語(yǔ)意上解釋性較好，很多人利用其做了很多好玩的，如自動(dòng)寫詩(shī)之類的，訓(xùn)練是一個(gè)個(gè)字符的讀取后訓(xùn)練。通常情況下雖然不是最好的結(jié)果，但是結(jié)果也不差，特別是在引入了”門”之后，提示較為明顯。

3.3.4 CNN（Convolutional Neural network）

卷積神經(jīng)網(wǎng)絡(luò)由于避免了對(duì)圖像的復(fù)雜前期預(yù)處理，可以直接輸入原始圖像（需要尺寸format處理），因而得到了更為廣泛的應(yīng)用。

一般地，CNN的基本結(jié)構(gòu)包括兩層，其一為特征提取層，每個(gè)神經(jīng)元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位置關(guān)系也隨之確定下來(lái)；其二是特征映射層，網(wǎng)絡(luò)的每個(gè)計(jì)算層由多個(gè)特征映射組成，每個(gè)特征映射是一個(gè)平面，平面上所有神經(jīng)元的權(quán)值相等。

CNN主要用來(lái)識(shí)別位移、縮放及其他形式扭曲不變性的二維圖形。由于CNN的特征檢測(cè)層通過(guò)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，所以在使用CNN時(shí)，避免了顯示的特征抽取，而隱式地從訓(xùn)練數(shù)據(jù)中進(jìn)行學(xué)習(xí)。

這里讀者需要掌握卷積的物理意義、全鏈接和局部鏈接、知道為什么要池化、常見(jiàn)的池化方法等，這樣對(duì)CNN就基本掌握了，剩下的就是應(yīng)用了。

4.總結(jié)

無(wú)論是學(xué)士還是已經(jīng)工作的工程師，掌握一些機(jī)器學(xué)習(xí)算法，對(duì)于自己都是增加了自己的核心競(jìng)爭(zhēng)力，在DT轉(zhuǎn)型的過(guò)程中，會(huì)讓自己走的更遠(yuǎn)。如今無(wú)論是Google、微軟還是Amazon都在開(kāi)放自己的機(jī)器學(xué)習(xí)平臺(tái)，阿里云上的機(jī)器學(xué)習(xí)平臺(tái)也可以直接使用，這些平臺(tái)的開(kāi)放大大降低了我們對(duì)于算法的使用難度，我們無(wú)需向那些真正的算法專家一樣去發(fā)明算法，只要我們知其然、也知其所以然，就能夠利用這些知識(shí)去解決實(shí)際問(wèn)題。

對(duì)于還在學(xué)校里學(xué)習(xí)的同學(xué)要充分利用自己的時(shí)間，在數(shù)學(xué)基礎(chǔ)上打撈，對(duì)常用的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法都有所掌握。對(duì)于開(kāi)源的tensorflow、caffee等代表性平臺(tái)和框架，要勇于嘗試，在未來(lái)的筆試和面試中一定會(huì)脫穎而出的。