[人工智能-综述-6]:为什么说,系统的数学知识学习不是人工智能学习的必要条件

Posted 文火冰糖的硅基工坊

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了[人工智能-综述-6]:为什么说,系统的数学知识学习不是人工智能学习的必要条件相关的知识,希望对你有一定的参考价值。

作者主页(文火冰糖的硅基工坊):https://blog.csdn.net/HiWangWenBing

本文网址:https://blog.csdn.net/HiWangWenBing/article/details/119211237


目录

1. 核心观点:

2. 关于核心观点的阐述与澄清

2.1 关于系统系统学习的澄清?  

2.2 实际项目工作不是建高楼,而是补短板

2.3 明确企业需要什么样的AI人才 

2.4 函数、运算都是封装好的,灵活调用/使用更重要

2.5 工业界应用以成熟、高效为准

2.6 工业界学术界各司其职

2.7、理性判断,最贵未必最好。

2.8 资料太多,不知从何看起

2.9 不需要系统学习,并不是不学习


1. 核心观点:

学习人工智能,了解导数、概率、矩阵及其运算等基本数学知识即可,无需要系统学习数学知识,应该花更多的精力熟悉:

  • 神经网络的原理和不同算法
  • 如何构建神经网络
  • 掌握调参技巧
  • 务实代码功底

数学功底的学习与构建,是算法工程师后期需要进一步深究,而不是在开始阶段。

一句话:入门学习重应用,中阶学习重优化,高阶学习重创造。

如果是搞科研、靠发明,雄厚的数学基础就非常重要。

2. 关于核心观点的阐述与澄清

2.1 关于系统系统学习的澄清?  

举个简单的例子,在很多人要准备考英语六级的时候,经常先抱着一本600多页厚厚的英文书从abandon开始。于是第二天,第三天,直到第一个月,记得最牢的永远是abandon,越到后面越记不清。再过上一阵,单词书就成了桌枕头。

为什么?  我上中学时,很多人告诉我,你要学好英语,首先要背单词。学英语就像是建高楼大厦,单词就是地基。要想楼房修的高,地基就要打的硬。学数学也是一个道理。

但对于大多数人,并不需要从头设计大楼,亲手从无到有的构建大楼,大多数人都是利用深度学习框架来构建自己的应用程序。

2.2 实际项目工作不是建高楼,而是补短板

很多人说,数学学得好才能走得远,这话没错。就像在AI领域读个博士,天花板一定会比本科生高。基础越好,面对实际情况能够应用的灵活程度越高。

但工作往往不是建高楼,能够有足够的时间打地基。很多人理论还没弄明白,就被推到项目的头上,或公司或毕设需要,这时候就必须自己能够赶快上手。

好比水桶,先将桶装满水运作起来,再慢慢的修补决定水深的短板,而不是等到地基搭建成熟再盖楼层。

互联网的领域发展的这么快,无法快速紧跟市场需求,就会处于滞后。

我们在学机器学习或者深度学习的时候,经常会遇见矩阵算法,当自己不明白的时候,回头翻翻数学书,快速易懂。不影响任何其他实战项目的进展。

并且边学边用。 所以工作不是学术研究,谁能快速解决问题,决定了你的能力水平。

2.3 明确企业需要什么样的AI人才 

企业永远不会给应届生开出工作3-5年工作经验的人同等的年薪。

我们在调参或是优化的过程中,如果你遇到loss变高,过拟合,或者是验证集的精度不够这些问题的时候,你学习再多的基础知识,也无法保证能解决这些问题。

这就是为什么,在大多数企业中,你理论的知识足够丰富,还是抵不上一个工作了多年的老司机。多写代码,多做项目,做实战型人才才是企业需要的。

深度学习本来就是基于经验的,很多结果无法从数学上严格证明。所以更显得数 学在此时没那么重要了 。

2.4 函数、运算都是封装好的,灵活调用/使用更重要

不管是编程语言python、还是深度学习框架,其实他们已经把很多数学函数、运算都封装好了,你要做的就是学会如何调用他们,以及解决问题调用哪个函数能更好的解决问题。这些东西都是需要大量的实践才能积累的经验。

比如这个sigmoid函数,数学公式在左边,图像是右边。  

 这个函数,用代码实现,就最上面这一行sigmoid()即可,并不需要知道如何用代码实现sigmoid函数。

2.5 工业界应用以成熟、高效为准

工业上应用的理论体系或是模型,不一定是非要多超前,多先进,很多时候会比较看重稳定性和可解释性,比如你在机器学习中常用的决策树,随机森林,回归和分类模型,这些模型就是因为应用的人比较多,所以你可以搜集到很多应用经验和案例去学习。即便你数学方面有些弱,那也不会有太大影响。

2.6 工业界学术界各司其职

在过去的时候,学术界侧重在提出更好的模型,更好得优化方法。

工业界则是更多的把这些方法落地,通过数据去验证,去应用在具体行业当中。

但是在人工智能领域却出现了比较特别得地方就是,很多学术界的专家去工业界,这样当然更有利于理论成果尽快落地。

但是这给很多人造成了一个误解就是,需要很扎实的理论知识才能入行人工智能。

其实这些都是全球的顶级人才才这样做,或是企业里面高级算法工程师干的事,对于刚入职的小白来说,这些事轮不到你来干,你就老老实实做应用就好了。

2.7、理性判断,最贵未必最好。

看着多≠你能学会这么多。

很多入行的过来人,都是建议不必学习太多的数学知识,但是很多机构的课程设置上却安排了很多数学知识,还有专门讲解数学知识的课程

大概是以下:

(1)原因一:放的多,才能更好标一个高价。

(2)原因二:外行人一看,数学要求这么高,必须报班才行,不然学不会。

(3)原因三:大概是某些机构不走心,没有为小白认真考虑过这件事,一味的堆内容你看看吴恩达的课程有讲很多数学知识么?  

2.8 资料太多,不知从何看起

还有很多盲目推荐的,总是罗列出一大堆资料,能放的全部放,不论国内国外为了让自己的文章看起来充实,感觉专业,其实基本上内容不会有特别大差别。

当然这些人能够对自己的资料有很清晰的掌握,知道哪些是需要看,哪些是没多大用处的。

但对于小白来说,就会形成无形的压力:单单数学知识就已经几个g的资料了,这还只是基础,后面需要学的还多少? 不知道多少人是被成吨的资料吓跑。而想学习的人往往也是抱着英勇就义的态度。

如果以后你想深造,或者对算法理论感兴趣,去系统学习,那没问题。但是如果是为了入职人工智能,不必要系统学习。不然数学还没学完,你就扛不住放弃了,而很多人就是跳进了这个火坑,而中途放弃。

2.9 不需要系统学习,并不是不学习

不需要系统学习,并不是不学习,还是需要预先复习一些核心的、后续学习用到的数学概念,以辅助理解“深度学习”和“神经网络”的各种运算。

但这种复习,不是系统数学知识,因此难度不大、所花的时间不多,几个小时即可,不需要几个星期,甚至几个月的时间研究数学。



作者主页(文火冰糖的硅基工坊):https://blog.csdn.net/HiWangWenBing

本文网址:https://blog.csdn.net/HiWangWenBing/article/details/119211237

以上是关于[人工智能-综述-6]:为什么说,系统的数学知识学习不是人工智能学习的必要条件的主要内容,如果未能解决你的问题,请参考以下文章

零基础自学人工智能路径规划,附资源,亲身经验

如何自学人工智能路径规划(附资源,百分百亲身经验)

人工神经网络综述

知识图谱学习之综述

大数据专业主要学啥?

大数据专业学啥?