寫在前面

我們現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，如果學習時從頭到尾學一遍再使用（就像我們在學校學習時），會發現剛學完又出現了新的，等學了后面的理論還沒實踐，前面的又忘了。這樣的學習方式，仿佛永遠在學理論，自身沒有進步，浪費了很多時間。

在剛入坑人工智能的時候，我也是這樣的一種學習思路。先從機器學習開始，搜一些課就開始學習記筆記，然后再深度學習，等學完之后，深度學習又出了新的東西，又去學理論……如此反復。 表面上，我很努力，也學習到了很多理論，但是實際上，如果問這些理論的細節，我大腦里面根本就模糊不清 。這是因為，我學習到的這些知識，我都沒有真正的用到它。沒有機會實踐出來。所以后來我開始反思，在現在這個時代，我們以前的學習方式不太適用了，如果想高效率的學習，需要轉換一種學習方式，不妨 從實用的角度出發，遇到不會的再去查漏補缺，這樣效率更高。?

從實用的角度出發

學習知識的時候，一切從實用的角度出發，我們學習知識，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，我拿入門機器學習和深度學習來講，如果真的想做好人工智能，需要四個維度的知識（當然這是我自己的知識框架）：

• 編程基礎（Python編程，數據分析基礎：numpy，pandas，可視化，特征工程等， 深度學習框架TensorFlow，Pytorch）
• 數學基礎（數學，數理統計，線性代數）
• 算法基礎（內功算法：算法與數據結構， 外功算法：機器學習和深度學習算法）
• 應用領域（CV， NLP，RS，預測，分類，聚類等）

對于一個剛入門的小白來講，千萬不要從頭一個個的補充理論，這樣你會發現，光數學這塊都夠你學習很長時間的，并且學習完之后忘了不說，還不會用。這就是我之前采用的學習方法。我確實浪費了一些時間。

后來我發現，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行學習，比如數學基礎，由于大學里我們都學過這幾門科目，所以這里其實不用那么仔細的再來一遍，一些概念比如積分，矩陣乘法，數理統計的一些知識有印象就可以了，編程基礎，Python的基礎語法學一些，numpy，pandas等基本的使用學一些（可參考我上一篇Pandas入門），可視化的東西學一點， 就是各個學點，然后就可以先上手了。

找一些項目上手練習，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，補充到自己的知識框架里面，然后再學習，通過這種方式，時間長了，你會發現，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。

這是一種 開始速度慢，但是加速度快的學習方式 ，但是出發之前，一些基本的概念，尤其是機器學習算法和深度學習算法，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 – 出發之前我應該如何掌握知識

上面講的是從實用的角度出發，就是我開始一個項目，從項目中學習新知識，但是 能出發的前提是有了一個基本的知識框架和基礎了 。

這個基本的知識應該如何學習呢？或者說跟著課程學習的時候應該如何學習呢？

這里記錄一個在課程中學習到的一個高效的學習方法， 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識它。

如何建立多維連接呢？

• 基礎概念：這是基礎，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，我強調把學習重心放在工具和實踐上，即學即用，不斷積累成就感，思維也就慢慢養成了。

• 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：最好的學習就是分享。用自己的語言講出來，是對知識的進一步梳理。

修煉指南 – 從認知到實踐再回到認知，如此反復

人與人最大的差別在于“認知”，所謂成長就是認知的升級。

很多人存在對“認知“的誤解，認為認知不就是概念么？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？

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

那么如何提升自己的學習吸收能力呢？簡單地說，就是要“知行合一”。

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

1.不重復造輪子

舉個數據采集的例子，很多公司，都有數據采集的需求，他們認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。而結果怎樣呢？做了 1 年多的實踐，工資投入幾十萬，結果發現 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則。

2.工具決定效率

“不要重復造輪子”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 在處理數據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”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”。

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

當熟練度增加的時候，你的思考認知模型也在逐漸提升。

總結

認知三部曲：從認知到工具，再到實戰，然后如此反復。

不管是學習什么知識，我們都應該這樣做：

• 記錄下你每天的認知。尤其是每次課程后，對知識點的自我理解。這些認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 。
• 這些認知對應工具的哪些操作。用工具來表達你對知識點的掌握，并用自己的語言記錄下這些操作筆記。
• 做更多練習來鞏固你的認知。我們學習的內容對于大部分外人來說，就像“開車”一樣，很酷。我們學習的內容，對于要掌握的人來說，也像“開車”一樣，其實并不難，而且很多人已經上路了。你需要的就是更多的練習。