为什么机器学习不一定那么难

数学、物理，甚至计算机科学等技术性学科，都是采用自下而上的方法来教授的。

这种方法需要在一个研究领域中，以逻辑方式，按照复杂性和能力自然递进的顺序，来安排学习主题。

问题在于，人类不是执行学习程序的机器人。我们需要动力、兴奋感，最重要的是，需要将学习主题与实际成果联系起来。

我们每天使用的实用技能，如阅读、驾驶和编程，都不是用这种方式学会的，实际上是采用了一种颠倒的自上而下的方法。这种自上而下的方法可以直接用来学习像机器学习这样的技术学科，这能让你更快地变得富有成效，而且充满乐趣。

在这篇文章中，你将发现学习技术材料时自上而下和自下而上方法的具体区别，以及为什么从业者应该使用这种方法来学习机器学习，甚至相关的数学知识。

阅读本文后，你将了解：

• 大学里用来教授技术学科的自下而上方法及其存在的问题。
• 人们如何以自上而下的方式学会阅读、驾驶和编程，以及自上而下方法是如何运作的。
• 使用自上而下的学习方法来构建机器学习甚至数学的学习框架，以及如何作为一名从业者开始取得快速进展。

让我们开始吧。

你的方法错了。为什么机器学习不一定那么难
照片由 popofatticus 拍摄，保留部分权利。

概述

这是一篇重要的博客文章，因为我认为它真的可以帮助你摆脱那种自下而上的、大学式的机器学习学习方式。

本文分为七个部分，分别是：

1. 自下而上的学习
2. 学习阅读
3. 学习驾驶
4. 学习编程
5. 自上而下的学习
6. 学习机器学习
7. 学习数学

自下而上的学习

以一个研究领域为例，比如数学。

在数学中，有一种逻辑上的方法来安排各个主题，使其相互构建，并通过技能、能力和理解的自然递进过程来引导学习。

问题在于，这种逻辑上的递进可能只有那些已经掌握了这些知识并能直观地理解各个主题之间关系的人才能理解。

大多数学校教育都是围绕这种自下而上的、按部就班的方式进行的。许多技术和科学研究领域都是这样教授的。

回想一下高中或大学的学习经历，以及你可能学过的基础领域，例如：

• 如前所述，数学。
• 生物学。
• 化学。
• 物理学。
• 计算机科学。

想想这些材料是如何安排的，一周又一周，一学期又一学期，一年又一年。都是自下而上的逻辑递进。

问题是，通过材料的逻辑递进可能不是为了变得富有成效而学习这些材料的最佳方式。

我们不是执行学习程序的机器人。我们是情感丰富的人类，需要动力、兴趣、注意力、鼓励和成果。

你可以自下而上地学习技术学科，而且确实有一小部分人喜欢这种方式，但这不是唯一的方式。

现在，如果你已经完成了一门技术学科的学习，回想一下你是如何真正学会它的。我敢打赌，那不是自下而上的。

学习阅读

回想一下，你是怎么学会阅读的？

我的儿子正在开始学习阅读。不假思索，以下是他（实际上是学校和我们作为父母）正在使用的一些通用技巧：

• 从听别人朗读开始，以产生兴趣并展示阅读的好处。
• 掌握字母表并发出正确的读音。
• 记住最常见的单词、它们的发音以及如何拼写。
• 学习“拼读单词”的技巧来处理不认识的单词。
• 在监督下通读图书。
• 在没有监督的情况下通读图书。

重要的是，他要不断地知道为什么阅读很重要，并将其与他想做的非常具体的事情联系起来，比如：

• 阅读电视节目上的字幕。
• 阅读他喜欢的主题的故事，比如《星球大战》。
• 我们外出时阅读标志和菜单。
• 等等……

同样重要的是，他要能看到自己可以追踪并能看到进步的成果。

• 词汇量更大。
• 阅读风格更流畅
• 阅读复杂性不断增加的书籍。

以下是他没有这样学习阅读的方式：

• 词性定义（动词、名词、副词等）。
• 语法规则。
• 标点符号规则。
• 人类语言理论。

学习驾驶

你开车吗？

如果你不开车也没关系，但大多数成年人出于需要都会开车。社会和城市设计都是围绕个人出行而建立的。

你是怎么学会开车的？

我记得有一些笔试，可能还有一次电脑上的测试。我不记得为它们学习过，尽管我很有可能学了。但我记得的是这些。

我记得我雇了一位驾驶教练，上了驾驶课。每一堂课都是实践性的，在车里，练习我需要掌握的技能，即在交通中驾驶车辆。

以下是我没有学习或与我的驾驶教练讨论过的内容：

• 汽车的历史。
• 内燃机理论。
• 汽车常见的机械故障。
• 汽车的电气系统。
• 交通流理论。

直到今天，我仍然可以在对这些主题一无所知的情况下安全驾驶。

事实上，我从不期望学习这些主题。我既没有需求也没有兴趣，它们也不会帮助我实现我想要和需要的东西，那就是安全便捷的个人出行。

如果车坏了，我会打电话给专家。

学习编程

我开始编程时，对编码或软件工程的含义一无所知。

在家里，我捣鼓Basic语言的命令。我捣鼓Excel中的命令。我修改电脑游戏。等等。这很有趣。

当我开始学习编程和软件工程时，是在大学里，而且是自下而上的方式。

我们从以下内容开始：

• 语言理论
• 数据类型
• 控制流结构
• 数据结构
• 等等。

当我们真正开始写代码时，是在命令行上，并且被编译器问题、路径问题以及一大堆与学习编程无关的问题所困扰。

我讨厌编程。

快进几年。不知何故，我最终成为了一名专业的软件工程师，参与了一些受用户重视的复杂系统。我在这方面非常出色，并且我热爱它。

最终，我上了一门课，教如何创建图形用户界面。另一门课教如何让计算机使用套接字编程相互通信。还有一门课教如何使用线程让多个任务同时运行。

我将那些枯燥的东西与我真正喜欢的事情联系了起来：制作能够解决问题、供他人使用的软件。我把它与重要的事情联系了起来。它不再是抽象和深奥的了。

至少对我以及许多像我这样的开发者来说，他们教错了。他们真的教错了。这浪费了像我这样充满热情、时间充裕的学生本可以投入到他们真正热爱的事物上的数年时间、精力和成果/产出。

自上而下的学习

自下而上的方法不仅是教授技术主题的常用方式，它看起来像是唯一的方式。

至少在你思考自己实际上是如何学习之前是这样。

大学课程的设计者，他们是各自学科领域的专家，正在努力提供帮助。他们将所有内容都安排好，为你提供一个他们认为能让你获得所需技能和能力的逻辑进展（希望如此）。

正如我所提到的，它对某些人来说是有效的。

但它对我无效，我预计它对你也无效。事实上，我遇到的很少有真正擅长自己手艺的程序员是计算机科学专业出身的，或者即使是，他们也是在家里自学，独自钻研业余项目。

另一种方法是自上而下的方法。

把传统方法颠倒过来。

不要从定义和理论开始。相反，从将主题与你想要的结果联系起来开始，并展示如何立即获得结果。

制定一个专注于练习这个获得结果过程的计划，根据需要深入某些领域，但始终在所需结果的背景下进行。

它与众不同

这不是传统的路径。

如果你选择这条路，小心不要使用传统的思维方式或比较方法。

责任在你。没有可以责备的系统。只有当你停止时，你才会失败。

• 它是迭代的。主题会随着理解的加深被多次重温。
• 它是不完美的。开始时结果可能不佳，但会随着练习而改善。
• 它需要探索。学习者必须对持续学习和探索持开放态度。
• 它需要主人翁精神。学习者对自己的进步负责。
• 它需要好奇心。学习者必须关注自己感兴趣的事物并追随它。

这很危险

说真的，我听过“专家们”多次这样说，他们会说这样的话：

你必须先了解理论才能使用这项技术，否则你无法正确使用它。

我同意开始时结果会不完美，但进步甚至专业知识不仅仅来自于理论和基础知识。

如果你认为一个初级程序员不应该将更改推送到生产环境并部署它们，那么你肯定也必须相信一个初级机器学习实践者会受到同样的限制。

技能必须得到证明。

信任必须赢得。

无论技能是如何获得的，这都是事实。

你是个技术员

真的吗！？

这是我见过的对这种学习方法的又一个“批评”。

正是如此。我们想成为技术人员，在实践中使用工具来帮助人们，而不是成为研究人员。

你不需要涵盖所有相同的基础知识，因为你的学习目标不同。不过，一旦你有了可以整合抽象知识的背景，你可以随时回过头来学习任何你喜欢的东西。

行业中的开发者不是计算机科学家；他们是工程师。他们是这门手艺的自豪的技术员。

高效、有效且有趣的學習方式

以这种方式学习的好处远远超过了挑战：

• 你直接去做你想做的事情，并开始练习。
• 你有了联系更深层知识甚至理论的背景。
• 你可以根据你在该学科中的目标，高效地筛选和过滤主题。

它更快。

它更有趣。

而且，我敢打赌它会让你变得更好。

你怎么能变得更好呢？

因为这个主题在情感上与你相连。你已经将它与一个对你重要的结果或成果联系起来。你投入其中。你拥有可证明的能力。我们都喜欢我们擅长的事情（即使我们对自己的优秀程度有点色盲），这会驱动动力、热情和激情。

一个充满热情的学习者会直接超越那些固守基础的人。

学习机器学习

那么，你是如何对待机器学习这个主题的呢？

说真的，在下面的评论中告诉我你的方法。

• 你是否正在参加一门自下而上的大学课程？
• 你是否正在模仿这样的课程来学习？

或者更糟的是

你是否遵循着一种自上而下的方法，却充满了负罪感、对数学的羡慕和不安全感？

你并不孤单；我每天在本网站帮助初学者时都会看到这种情况。

为了让你明白其中的关联，我强烈建议你使用自上而下的方法来学习机器学习。

• 不要从预备数学知识开始。
• 不要从机器学习理论开始。
• 不要从零开始编写每个算法。

一旦你对这些抽象知识有了联系，所有这些都可以在以后用来完善和加深你的理解。

1. 从学习如何使用固定的框架和免费易用的开源工具来解决非常简单的预测建模问题开始。
2. 在许多小项目上练习，并慢慢增加它们的复杂性。
3. 通过建立一个公开的作品集来展示你的工作。

我已经多次写过这种方法；请参阅帖子末尾的“延伸阅读”部分，那里有一些关于如何开始使用自上而下方法学习机器学习的可靠文章。

深陷于大学体制的“专家”会说这很危险。忽略他们。

世界级的从业者会告诉你，这是他们学习和持续学习的方式。模仿他们。

记住

• 你通过练习阅读学会了阅读，而不是通过学习语言理论。
• 你通过练习驾驶学会了开车，而不是通过学习内燃机。
• 你通过练习编程学会了编码，而不是通过学习可计算性理论。

你可以通过练习预测建模来学习机器学习，而不是通过学习数学和理论。

这不仅是我学习和持续实践机器学习的方式，它还帮助了成千上万我的学生（以及这个博客的数百万读者）。

学习数学

不要止步于此。

总有一天，你可能想要或需要揭开机器学习数学支柱的面纱，比如线性代数、微积分、统计学、概率论等等。

你可以使用完全相同的自上而下的方法。

选择一个对你重要的目标或结果，并以此为视角、过滤器或筛选器，来学习你需要达到该结果所需的深度的主题。

例如，假设你选择了线性代数。

一个目标可能是理解SVD或PCA。这些是机器学习中用于数据投影、数据降维和特征选择等任务的方法。

一个自上而下的方法可能是：

1. 在像scikit-learn这样的高级库中实现该方法并获得结果。
2. 在像NumPy/SciPy这样的底层库中实现该方法并重现结果。
3. 直接在NumPy或Octave中使用矩阵和矩阵运算实现该方法。
4. 学习和探索所涉及的矩阵算术运算。
5. 学习和探索所涉及的矩阵分解运算。
6. 研究近似矩阵特征分解的方法。
7. 等等……

目标提供了背景，你可以让你的好奇心来决定学习的深度。

这样看来，学习数学与学习编程、机器学习或其他技术学科中的任何其他主题没有什么不同。

这非常高效，而且充满乐趣！

进一步阅读

如果您想深入了解，本节提供了更多关于该主题的资源。

• 我该如何开始？
• 写给程序员的机器学习
• 机器学习精通之道

总结

在这篇文章中，你发现了学习技术材料时自上而下和自下而上方法的具体区别，以及为什么这是从业者应该并且确实用来学习机器学习甚至相关数学的方法。

具体来说，你学到了：

• 大学里用来教授技术学科的自下而上方法及其存在的问题。
• 人们如何以自上而下的方式学会阅读、驾驶和编程，以及自上而下方法是如何运作的。
• 使用自上而下的学习方法来构建机器学习甚至数学的学习框架，以及如何作为一名从业者开始取得快速进展。

你有什么问题吗？
在下面的评论中提出你的问题，我会尽力回答。