如何看待「机器学习不需要数学，很多算法封装好了，调个包就行」这种说法？ 第1页

推荐一本书，俗称“火蜥蜴书”，这本书是我看过的机器学习和深度学习方面写的最好的一本书，对算法的讲解和应用非常到位，没有复杂的数学公式和推导，而是侧重算法的优缺点、应用场景、关键参数，算法本身的原理介绍也是通俗易懂。

======================2017.11.02补充========================

更变态的来了，基本上把神经网络都封装了，更不用说算法了：

keras项目：Keras中文文档

tensorflow的tf.estimator: tf.estimator Quickstart

=======================2017.10.22补充==============================

最近在玩TensorFlow，基本验证了原答案，举几个简单的例子：

tf.sigmoid: sigmoid算法实现

tf.nn.softmax: softmax算法实现

tf.squared_difference：差平方

tf.train.GradientDescentOptimizer：梯度下降算法优化器

tf.nn.relu：relu算法

tf.tanh：双曲正切函数

tf.nn.conv2d：卷积层

tf.nn.max_pool：池化层

一行简单代码：

=======================以下是原答案================================

我记得我刚毕业的时候，老师学长谆谆教导：计算机体系结构很重要，8086指令、段地址、寄存器、内存寻址、指针、深入浅出MFC、冒泡排序、快速排序、链表。。。。。。很重要，如果不懂，肯定不能成为好程序员，就算是同样调用API完成任务，你要是懂这些，关键时刻就你会懂，老板不给你加薪给谁加薪？

然而，毕业后我没有去做嵌入式、没有去做驱动、没有用汇编，以上这些全部都没什么卵用，用MFC也只是调用API，没有自己手写冒泡，后来用Java，HasMap、List等都是调API，也没见老板因为我不懂降我工资，因为我老板也不懂这些，他只看我有没有完成任务，有没有给它赚钱，他不会管我是调用API还是写汇编完成的；也没见哪位同事因为懂这些加薪了，因为工作中根本用不上！

相反，我发现Java虚拟机垃圾回收原理、MySQL索引设计技巧、tcp网络编程模型、CAP、BASE。。。。。。等非常有用，不但解决了业务问题，老板还给我加薪，公司还给我升级，还可以到外面给别人演讲！

所以，回到题主的问题，你应该先问一下自己几个问题：

1）你是做什么专业的

是机器学习理论研究么？ -> 如果不懂数学，还是尽早转行吧！

还是将机器学习应用到业务中去？-> 不一定要懂很多数学，确实算法封装好了，应用就可以了，至于说调优，也是调参数，不是调算法，要开创一个新算法，那就属于机器学习的理论研究范畴了。

2）现在机器学习发展是什么阶段？

相当于50年代的纸带编程，还是60年代的汇编？还是70年代的C语言？还是90年代的Java？

我理解机器学习现在类似于70年代的C语言，虽然写起来很方便了，但还是要和指针内存打交道，这里的指针和内存就是机器学习的算法中的数学知识，所以我觉得即使算法封装好了，也要理解基本原理，不然这么多算法，你怎么知道选哪个算法？

首先，抛一个概念「Leaky Abstraction」，来自开发大神Joel Spolsky在二十年前的一篇文章：

到了今天，这个概念更加适用。

计算机科学发展到现在，几乎每个领域都形成了非常深的技术堆栈。在技术堆栈中，上一层是下一层的一个封装和抽象「Abstraction」，形成层层调用关系。越往上层走，越抽象，开发越简单；越往下层走，越具体，开发越繁琐。而程序员一般都是在最上层进行开发，效率很高。

例如，编写一个网络应用，可以调用开发框架的网络模块，网络模块封装和抽象了操作系统提供的网络API，网络API封装和抽象了HTTPS层，HTTPS层封装和抽象了TCP层，TCP层封装和抽象了IP层，IP层再封装和抽象了物理链路层。程序员只需要使用好高层的网络模块就可以了，更不需要懂HTTPS协议、TCP协议、IP协议等，这些底层的协议都被封装了，都被抽象了。

但是，Joel Spolsky认为：

All non-trivial abstractions, to some degree, are leaky.

意思是说「任何稍微复杂一点的抽象，在一定程度上，都是会出现问题的」。换句话说，堆栈中任何一个抽象层都不能做到完美的封装，在一些特定情况下可能会出现问题，上层用户没办法绕开抽象层而解决问题。这些问题可能是运行效率问题、内存泄露问题、非预期的运行结果、奇怪的bug等等。系统越复杂，堆栈越深，遇到问题的可能性就越大。

如果程序员只懂最上层的技术，一旦底层出现了任何问题，往往就束手无策，根本定位不了问题出现在哪一层，更别说解决问题了。

遇到这样的情况，就考验程序员的功底了。优秀的程序员往往对整个堆栈都有一定的了解，有「下钻」的能力，可以定位出哪一层出了问题，然后可以找解决方案或变通方案。

机器学习也是一样的道理，如果你只懂调用现成的算法包，你可能只是一个「调参师」，不了解模型和算法的工作机制，遇到模型泛化效果差或者训练性能差，你不知道到底是参数不对，还是算法用错了，还是模型就用错了。

知其然，知其所以然，是从事技术工作的一项基本素养。

如果你想在机器学习领域做一些有意义的、高质量的事情，除了机器学习、深度学习知识之外，还有一些准备知识是需要掌握的：

• 微积分和优化，建议看 《普林斯顿微积分读本（修订版）》；
• 线性代数，建议看《线性代数的几何意义》，或者 Gilbert Strang的《线性代数（第5版）》（英文版），不建议同济版；
• 概率论和数理统计，建议看陈希孺老师的《概率论与数理统计》，不建议浙大版；
• 编程，至少懂Python；
• 分布式技术；
• 机器学习，李航老师的《统计学习方法（第2版）》；
• 深度学习，邱锡鹏老师的《神经网络与深度学习》，或者 Ian Goodfellow、Yoshua Bengio和Aaron Courville的花书《深度学习》；

书不用多，挑经典，多看几遍，读透。上面几本书，除了了花书，豆瓣评分都是9分以上。学习数学要先理解思想，然后才能理解公式，这几数学书基本上把思想讲透了。

最后，机器学习巨头Yann LeCun 在《Data Scientists at Work》中说到，要从事机器学习，应尽量学数学、物理、编程、机器学习、计算机视觉等。看看吧，他把物理都列进去了，更凶残。大牛就是这样炼成的。