深度之眼长期招募人工智能兼职讲师，年薪可达30W，
事半功倍的啃书姿势内容分以下六个部分：
一、我的学习历程（不喜欢听啰嗦的可以从第二部分开始）
二、学习《统计学习方法》遇到的困难
三、 在学习过程中碰过的壁
四、最后解决问题的方法
五、学习心得以及对后来的学习者的建议
六、学习社群以及福利
01
我的学习历程
简单介绍一下我的学习路程，一开始入门机器学习，觉得大多数入门的通病都是漫天的去网上找贴吧找资源，然后网盘保存了一大堆资料，每个吃一点不断的遴选符合自己口味，但又茫然不确定自己选的资料好不好，这段时间费时费神，后来也是看多了发现基本机器学习入门绕不开的两本书就是李航的《统计学习方法》和周志华的《机器学习》，一本小蓝书和一本西瓜书。
我觉得两本是相互补充的，西瓜书概括性比价好，但是公式推导稍微缺一点，统计学习方法有比较详尽的公式，但有些内容也不够全面，两本总得先看一本，就看个人选择。不过还得有时间去“磨”了。
为什么用“磨”这个字，因为这种基础性的理论和公式推导只能磨，没什么取巧，其实相对于现在编程生态库，大把数据科学的计算库可以直接计算，学习基本的调用接口和一些基础概念，对于数据科学的大多数方法的确是可以使用的了。
那为什么这么费力从基础理论去熟悉这些公式呢？那就见仁见智了，个人观点，暂时也不讲职场、课题需要啊之类，公式理论不过一遍，你不虚吗？
李航的《统计学习方法》作为机器学习的入门书籍，第一版是2012年出版的，只是包含了主要的监督学习算法， 2019年出了第二版，增加了无监督学习的主要算法，每一个算法模型背后都有深刻的理论和不同的应用场景，但有时候不经意之间又发现他们相通的地方，可能这就是数学有意思的地方吧。
02
学习《统计学习方法》遇到的困难
1.知识涉及面
高等数学、线性代数那些不谈，统计学习方法基本都会涉及到相关知识和概念，还会涉及到数值分析、凸优化理论以及矩阵论部分知识，当然不指望具备所有的知识储备，大部分人还是在学习过程中，缺啥补啥，而这个缺啥补啥的过程，有时候可能都忘记一开始本来要解决的问题。
打个比方，例如在学习支持向量机的时候遇到的小场景。
在推导支持向量机的间隔最大化问题时，其实就相当于求解约束最优化问题，而常常这类问题采用拉格朗日对偶性来将原始问题转换为对偶问题，引入广义拉格朗日函数并加以条件约束才能等价于原始问题。
等整理笔记，弄清楚了什么是约束优化问题，什么是对偶问题，什么是广义拉格朗日函数后，得到了最后原始问题的对偶问题，我发现仍然并没有知道怎么求解对偶问题，有点尴尬。进一步，为了搞明白原始问题和对偶问题的关系，就需要补充最优化方法的知识，所以继续……
到最后大致理解KKT条件后，算是对凸优化的求解过程有了初步的了解，那回到原本的原始问题，我本来要干啥来着……
所以如果有提前的知识储备，那么学习小蓝书是相对水到渠成的过程，若功课欠缺，那么知识的广度就需要花一定时间去补课了。不幸的是，个人知识储备也一般，也是在缝缝补补中过来的，这个过程的确比较头疼。
2.公式推导
公式推导是小蓝书的一大“特色”，基本第一次翻小蓝书都容易被冗长的公式劝退，并且在书本上很多公式并没有提供很详尽的推导公式，稍微省略一下就找不到北，有时候每个小标识符号代表涵义也易弄混，简单看一下多元正态分布参数的极大似然估计。
公式推导有时候消除或者合并就直接变形了，看不出来就卡住，不懂的时候疯狂查，才能理顺整个过程。大部分公式推导在深度之眼的课程老师还是都推了一遍，这的确是省了很多时间，不过具体推导过程还是得自己过一遍。
个人认为公式多是多，但有别以前的应试模式，我们不需要把公式背下来，最主要是通过推导公式的过程，理解和掌握算法的基本原理，以此巩固对算法的印象。虽然不可否认，要推导的公式还是挺多的。
3.学以致用
学习统计学习方法还有一个很重要的问题，就是怎么转换为工程能力，毕竟理论是理论的，弄懂了理论问题，主要是为了解决应用问题，实现代码复现。一般的基础公式还能进行直接代码复现，但是有些复杂的公式就很考验代码复现能力了。举个代表的例子，感知机模型。
感知机模型是二分类的线性分类模型，公式也相对简单，写好代价和损失函数基本就可以直接迭代计算。但是感知机是神经网络的基础，如果拓展到了BP算法上，就会显得复杂。
梳理清楚理论的过程，才能明白传播的过程，不然光是一层层的小标点符号，写了几个for循环，人也蒙圈了，更遑论对计算过程向量化，提高计算速度之类的优化。所以学习过程中，怎么学以致用实现代码复现也是很重要的一点。
03
在学习过程中碰过的壁
所谓的“壁”就是一堵墙，明知道自己走不对还死磕，钻牛角尖。在学习过程中，碰得最多的壁就是钻牛角尖，可是于个人而言，真没办法，并不是人人都是一点通，有一些概念没接触过，一开始没法消化，一知半解然后对公式进行推导，就容易觉得矛盾，可是本质上还是对概念的理解不深。还是以SVM支持向量机作为例子，当初有个问题就是纠结老长时间。
课本上也是一带而过，也有找课程讲解，但是绕进思维的死胡同，就比较难跳出来，因为还没引入新的概念，依然采用的是原有知识概念，资料也查了，可是并不妨碍我依然是一知半解。后来还是继续查资料，依然一知半解就还没找到点醒自己的那个点，重新对超平面的知识点查询和支持向量的理解。
理清楚函数间隔和几何间隔的关系，同时结合约束问题的理解，才最后明白：函数间隔的取值并不影响最优化问题的解,它的改变对最优化问题的不等式约束没有影响，对目标函数的优化也没有影响，也就是说它产生了一个等价的最优化问题。（仅作说明用，不理解没关系，举例举例）
包括这样的碰壁事情，在我学习过程中见怪不怪，如果想比较透彻理解一些原理，包括它的基础知识理论，有时候还是不可忽略的，总的来说，个人认为系统性的学习和整理认为是必要的，有助于获得比较清晰的模型建立流程。
总结下来啊，主要原因：
1、知识储备还太少，以前知识不够扎实
2、看得多，写得少
04
如何解决遇到的问题
1、对于问题的解决，我认为就是针对上面总结自身原因来入手。
对于没办法解决的问题，钻牛角尖是非常费事费力而且没效率的事情，所以遇到难以解决的问题，还是得灵活一点，多咨询一下大佬肯定是最好的。
其次还是知识储备太少，知识储备太少，知识储备太少，重要事情说三遍。这个太少意思是理解吸收少，并不是说看到少，就自己而言，有些知识概念囫囵吞枣，看了到脑子了就没多少，显得知识储备比较少，对于不理解问题往往都是我对问题里面某些概念问题还不透彻，所以我对解决问题最直接的方法就是查漏补缺，有时间还是比较推荐的。
其次就是算法的相通性，有些问题一时的一知半解是没办法，需要等到引入某个新概念的时候才会恍然大悟。可是如果你提前去学习这些，又容易加大对现有学习模型的难度，并且吃力不讨好，毕竟有些算法就是为了后面更复杂的算法铺垫的，后面学习可能会显得更容易。有点像调参过程，你引入些参数改良，必定又带来新的浮动，所以需要一点经验之谈和平衡。
学习的过程中，我习惯做笔记记录学习过程，有利于自己梳理，对于不懂和不理解的也会记录下来，在学习感知机的时候，就对对偶算法一头雾水，干脆就先放着并记录下来。
在后面系统对拉格朗日对偶性学习后，再来对感知机的对偶形式补课，其实基本也是一点通，乃至后面模型的对偶形式也是重新按班就步的推一遍，不会出现很难的理解问题。所以现在的难题，还是有别于应试的难题模式，应试思考的是解题模式，现在思考的是模型的逻辑模式。
2、最后提到的解决问题的办法，也是个人方法吧。
对于问题的不理解，书本上的例题多做几遍，以及课后练习，问题都不难，按步骤计算一遍，在这个过程中会不断对正确答案作推理，最后结果正确，说明思路正确，我遇到的一些问题就是在解题的过程中得到解答。
多写一点也有助于巩固，好记性不如烂笔头。虽然有段时间没看后还是遗忘很多，不过再一次去翻阅，都容易有一定印象，按一定思路可以快速复习。
05
学习心得以及对后来者的建议
1.多查多看多记录
统计学习方法正如之前提的知识面问题，是大部分人首先要面对的问题，所以在学习过程中还是得多查多看，建立完善的理论流程。
在学习小蓝书前，还提前过了一遍吴恩达老师的机器学习，不过学习小蓝书过程中，就发现自己的许多问题，到后来的看完小蓝书后，刷西瓜书还是能继续发现许多遗留问题，光是逻辑回归的推导版本都更新了三次笔记。
可以应用极大似然估计得到逻辑斯蒂回归模型。
也可以通过广义线性模型推导。
所以模型之间可能有相通性，以及相关概念，有时候的确很容易混淆的，但是每弄清楚一点后，就能对模型有更深的理解，所以多看多查是很有必要的，当某个模型不熟悉不理解时，不妨多找些资料去对同个多写的话。就因人而已，个人喜欢作笔记主要是可以不断记录自己学习模型的迭代过程。
2.代码复现多琢磨
在学习过程中，比较重要的另一个点还是代码复现的练习，代码复现的过程不仅考验对算法的理解，也考验工程能力，前期一些简单模型还能靠自己手打，后面就放弃了，主要看代码抄代码为主了，抄着敲一遍，都可以对模型流程有更深的印象。
代码复现，网上有很多资源，Github上大佬都写得挺详细的，可以找个喜欢风格的去学习，代码能力个人以为还是最重要的，理论都是打基础，没有人是手算一大堆数据的吧。
3.坚持
机器学习的入门对于小白而言并不是一蹴而就的事情，最大的心得就是坚持，因为过程的确比较枯燥。
可是要是说有意思的，你可以学习到很多有趣的算法，在实现模型的过程中，每天进步一点，一周学习一个模型，订个小目标去完成它就是最好的鼓励。多的话不说，坚持是学习的最大利器。
