机器学习学者张志华教授曾经说过：“搞好机器学习 ， 关键是数学 ， 但你又不能把机器学习变成搞数学 ， 那样就漫无边际了 。 ”数学浩瀚如海 ， 神灵通天 ， 我们还是要敬畏数学之神 ， 不要毫无目标、不计成本的扩大数学的钻研 ， 而是要把握好度 。 对于绝大多数 AI 工程师来说 ， 还是应该以机器学习为主导 ， 对于其中涉及的数学知识形成理解 ， 打牢基础 ， 突出重点 ， 适度拓宽 ， 这就算过关了 。 以后根据主攻方向 ， 随用随学 ， 急用先学 ， 这样就可以了 。
数学过关以后 ， 还得懂编程语言、系统架构、数据库、异构平台上的高性能计算 ， 要成为一个优秀的 AI 工程师 ， 这些都得通 。 吴恩达就说过 ， 深度学习的前沿是高性能计算 。 因为数学的进展是可遇而不可求的 ， 而软硬件的进步是线性的甚至指数的 ， 是一趟快车 。 你想冲在前沿 ， 得搭上这趟快车 。 如果你只是数学好 ， 编程和工程化能力不行 ， 所能做的事情就比较有限 ， 需要一个强有力的工程团队来支持你 。 实际上 ， 我就知道一些学院派的 AI 人士 ， 他们的数学背景很好 ， 但是编程玩得不溜 ， 下面的学生又不给力 ， 只能封闭在“数学—Matlab—论文” 这个三角里 ， 对他们来说 ， 编程成了一个障碍 。
【机器学习|AI Insight：放弃幻想，搞 AI 必须过数学关】但是对于一个有一定经验的程序员而言 ， 编程是优势 。 前不久 ， 我向一个在国内 AI 界有点名气的新锐 AI 科学家了解情况 ， 他们手上的深度学习项目使用 Python 和 C++ 语言开发 ， 都是基于开源的深度学习框架 ， 但自己的工程师也要做相当程度的调整和改进 。 那么他们对于工程师编程语言的掌握程度有多高的要求呢？Python 语言不需要自己设计 class ， 就更不用提什么 decorator, metaclass, asyncio 了 ， C++ 只要求看懂框架代码当中核心的部分 ， 只有很少的人需要去修改 C++ 代码 。 这里头真正有点挑战的 ， 是要熟练掌握 Python 标准库和一些流行包中的 API 用法 ， 快速完成数值计算、数据清洗、数据可视化等工作 ， 这是需要时间去熟悉和掌握的 。 但有经验的人知道 ， 这些可以边做边熟悉 ， 不是什么硬约束 。 如果你在“城头变幻大王旗”的开发界混过几年 ， 转行搞 AI ， 你的编程能力绝对是下山猛虎 ， 完全不必担心 。 你真正要过的 ， 就是数学关 。 只要你过了数学这关 ， 后面将数学理解、工具框架、数据资源和应用结合起来形成正向循环 ， 就可以一步一步的攀爬 AI 的高峰了 。
推荐阅读
- 唐山四维智能科技有限公司：双臂机器人引领人机协作新纪元
- 计算机专业大一下学期，该选择学习Java还是Python
- 大众展示EV公共充电新解决方案：移动充电机器人
- 普渡机器人获最佳商用服务机器人奖
- 翻译|机器翻译能达60个语种3000个方向，近日又夺全球五冠，这家牛企是谁？
- 假期弯道超车 国美学习“神器”助孩子变身“学霸”
- 想自学Python来开发爬虫，需要按照哪几个阶段制定学习计划
- 未来想进入AI领域，该学习Python还是Java大数据开发
- Google AI建立了一个能够分析烘焙食谱的机器学习模型
- 我国首次给四个新职业定标