为什么我学过微积分、线性代数和概率论，还是看不懂机器学习？ 第1页

《统计学习方法》特别是第二版增加了很多无监督学习，内容更加丰富了。

但是为什么学习了微积分、线性代数、概率论还是看不懂？因为这本书的内容太干了！干货的干！！！

我们首先要明白一点，为什么看不懂？知识特别是体系知识，知识点间是存在拓扑依赖关系的。学习了考研三件套之后，这个仅仅是具备了最最基础的知识。类似于你想打造一把尼泊尔军刀，你现在手里只有锅炉和锤子。而这些知识还需要补充一些其他的数学知识才能够看出其中奥义。

学习的方式有两种，一种是拉通知识拓扑图一一攻克，这个比较适合学生党，耗时长，但是基础牢靠。

另外一种就是在做中学，理论指导实践，实践升华理论知识，短频快，学成功力因人而异。

这里分享一下我的学习路线：

三件套的学习，特别是很多大学的教育，拿线性代数来讲，一上来讲行列式，貌似还听得懂。然后讲矩阵运算，通过高中知识映射还能get到重点，再到后面的线性关系、矩阵秩、空间就极具挑战性了。究其原因，国内很多教材追求的是理论的state of art。学生一上来就没有对所学知识的感性认识，直接上抽象结论，接受程度就较低了。

基础

很多博主一上来就推荐各种书籍，自学很容易中途放弃，我们这里采用最小化学习策略，先搞线代。

所以我在重新学习的时候选择了一些网上课程，最美B站，基本不要钱，弹幕里的人才多，说话也好听。

【完整版-麻省理工-线性代数】全34讲+配套教材_哔哩哔哩_bilibili

G老由浅入深，环环相扣，学习起来欲罢不能！！！

【双语字幕】MIT《数据分析、信号处理和机器学习中的矩阵方法》课程 (Spring 2018) by Gilbert Strang_哔哩哔哩_bilibili

配合这个学习，效果事半功倍！！！

Stanford : Statistical Learning 斯坦福大学：统计学习_哔哩哔哩_bilibili

统计学习，机器学习的基石，不能忘了它。

剩下的知识点，我们在学习机器学习的过程中，再慢慢补充！！

机器学习入门

想听英语的可以看吴恩达的视频

[中英字幕]吴恩达机器学习系列课程_哔哩哔哩_bilibili

台湾的李宏毅的也非常不错，我两个都看了。李宏毅老师的台湾腔有彩蛋！！！佛给给！！！

(强推)李宏毅2021春机器学习课程_哔哩哔哩_bilibili

到这一步了，基本的炼丹思路是具备了，找kaggle的练习题先整一通，强化认知。

深度学习时代，怎么能不懂它，盘它！！！

李宏毅深度学习(2017)_哔哩哔哩_bilibili

光说不练假把式！！！

上才艺，DL的几个大应用：自然语言处理、自然语言理解、深度视觉算法。

【 自然语言处理：2019最新 斯坦福大学 CS224n 深度学习自然语言处理 课程 】Stanford CS224n: Natural Language Pr_哔哩哔哩_bilibili

【 斯坦福大学CS224U：自然语言理解 2019最新课程 】Stanford CS224U: Natural Language Understanding |_哔哩哔哩_bilibili

【双语字幕】斯坦福CS231n《深度视觉识别》课程(2017) by Fei-Fei Li, Justin Johnson, Serena Yeung_哔哩哔哩_bilibili

都是精品课，学习使我快乐！！！The world is flat.人在家中坐，知识网上来。

国内自然语言处理不能忘了自动化所的宗老师！！！

中科院 宗成庆 自然语言处理公开课（64集）_哔哩哔哩_bilibili

（科苑自动化所大佬多，研究生待遇好，速报！！）

到这个阶段，你对深度学习网络结构及其应用有了更深入的理解。

具备了各个领域的入门级法宝，逢人能够侃上几句专业术语，损失函数的23种写法倒背如流。

计算

再者，无论是传统机器学习还是深度学习，我们先阶段已经掌握了如何去抽象问题，如何制定目标，如何建模。但是有一个绕不开的坎，为什么这么建模？要怎么去计算最优解？

《数值分析》| 华科 | 研究生基础课_哔哩哔哩_bilibili

上一个旁边学校的链接，学习氛围确实要强一些。

机器学习之凸优化_哔哩哔哩_bilibili

这一套学习完了，手推SVM信手拈来，对于损失函数等理解再上一个台阶。

到这一步，基础的数学知识，研究问题的方式方法，目标求解方法都已经基本掌握了。

剩下的就是挑一个感兴趣的领域，深入学习该领域的经典paper，补充一些数学知识！！！

这个阶段，终于感到一丝丝顺滑的感觉，再看《统计学习方法》，感觉字字真金！！！

最后，牢记实践出真理！！！听懂点赞。