作者主頁(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文網址：https://blog.csdn.net/HiWangWenBing/article/details/119211237

---

目錄

1. 核心觀點：

2. 關于核心觀點的闡述與澄清

2.1 關于系統系統學習的澄清？ ?

2.2 實際項目工作不是建高樓，而是補短板

2.3 明確企業需要什么樣的AI人才?

2.4 函數、運算都是封裝好的，靈活調用/使用更重要

2.5 工業界應用以成熟、高效為準

2.6 工業界學術界各司其職

2.7、理性判斷，最貴未必最好。

2.8 資料太多，不知從何看起

2.9 不需要系統學習，并不是不學習

---

1. 核心觀點：

學習人工智能，了解導數、概率、矩陣及其運算等基本數學知識即可，無需要系統學習數學知識，應該花更多的精力熟悉：

• 神經網絡的原理和不同算法
• 如何構建神經網絡
• 掌握調參技巧
• 務實代碼功底

數學功底的學習與構建，是算法工程師后期需要進一步深究，而不是在開始階段。

一句話：入門學習重應用，中階學習重優化，高階學習重創造。

如果是搞科研、靠發明，雄厚的數學基礎就非常重要。

2. 關于核心觀點的闡述與澄清

2.1 關于系統系統學習的澄清？ ?

舉個簡單的例子，在很多人要準備考英語六級的時候，經常先抱著一本600多頁厚厚的英文書從abandon開始。于是第二天，第三天，直到第一個月，記得最牢的永遠是abandon，越到后面越記不清。再過上一陣，單詞書就成了桌枕頭。

為什么？ ?我上中學時，很多人告訴我，你要學好英語，首先要背單詞。學英語就像是建高樓大廈，單詞就是地基。要想樓房修的高，地基就要打的硬。學數學也是一個道理。

但對于大多數人，并不需要從頭設計大樓，親手從無到有的構建大樓，大多數人都是利用深度學習框架來構建自己的應用程序。

2.2 實際項目工作不是建高樓，而是補短板

很多人說，數學學得好才能走得遠，這話沒錯。就像在AI領域讀個博士，天花板一定會比本科生高?；A越好，面對實際情況能夠應用的靈活程度越高。

但工作往往不是建高樓，能夠有足夠的時間打地基。很多人理論還沒弄明白，就被推到項目的頭上，或公司或畢設需要，這時候就必須自己能夠趕快上手。

好比水桶，先將桶裝滿水運作起來，再慢慢的修補決定水深的短板，而不是等到地基搭建成熟再蓋樓層。

互聯網的領域發展的這么快，無法快速緊跟市場需求，就會處于滯后。

我們在學機器學習或者深度學習的時候，經常會遇見矩陣算法，當自己不明白的時候，回頭翻翻數學書，快速易懂。不影響任何其他實戰項目的進展。

并且邊學邊用。 所以工作不是學術研究，誰能快速解決問題，決定了你的能力水平。

2.3 明確企業需要什么樣的AI人才?

企業永遠不會給應屆生開出工作3-5年工作經驗的人同等的年薪。

我們在調參或是優化的過程中，如果你遇到loss變高，過擬合，或者是驗證集的精度不夠這些問題的時候，你學習再多的基礎知識，也無法保證能解決這些問題。

這就是為什么，在大多數企業中，你理論的知識足夠豐富，還是抵不上一個工作了多年的老司機。多寫代碼，多做項目，做實戰型人才才是企業需要的。

深度學習本來就是基于經驗的，很多結果無法從數學上嚴格證明。所以更顯得數 學在此時沒那么重要了 。

2.4 函數、運算都是封裝好的，靈活調用/使用更重要

不管是編程語言python、還是深度學習框架，其實他們已經把很多數學函數、運算都封裝好了，你要做的就是學會如何調用他們，以及解決問題調用哪個函數能更好的解決問題。這些東西都是需要大量的實踐才能積累的經驗。

比如這個sigmoid函數，數學公式在左邊，圖像是右邊。 ?

?這個函數，用代碼實現，就最上面這一行sigmoid（）即可，并不需要知道如何用代碼實現sigmoid函數。

2.5 工業界應用以成熟、高效為準

工業上應用的理論體系或是模型，不一定是非要多超前，多先進，很多時候會比較看重穩定性和可解釋性，比如你在機器學習中常用的決策樹，隨機森林，回歸和分類模型，這些模型就是因為應用的人比較多，所以你可以搜集到很多應用經驗和案例去學習。即便你數學方面有些弱，那也不會有太大影響。

2.6 工業界學術界各司其職

在過去的時候，學術界側重在提出更好的模型，更好得優化方法。

工業界則是更多的把這些方法落地，通過數據去驗證，去應用在具體行業當中。

但是在人工智能領域卻出現了比較特別得地方就是，很多學術界的專家去工業界，這樣當然更有利于理論成果盡快落地。

但是這給很多人造成了一個誤解就是，需要很扎實的理論知識才能入行人工智能。

其實這些都是全球的頂級人才才這樣做，或是企業里面高級算法工程師干的事，對于剛入職的小白來說，這些事輪不到你來干，你就老老實實做應用就好了。

2.7、理性判斷，最貴未必最好。

看著多≠你能學會這么多。

很多入行的過來人，都是建議不必學習太多的數學知識，但是很多機構的課程設置上卻安排了很多數學知識，還有專門講解數學知識的課程。

大概是以下：

（1）原因一：放的多，才能更好標一個高價。

（2）原因二：外行人一看，數學要求這么高，必須報班才行，不然學不會。

（3）原因三：大概是某些機構不走心，沒有為小白認真考慮過這件事，一味的堆內容你看看吳恩達的課程有講很多數學知識么？ ?

2.8 資料太多，不知從何看起

還有很多盲目推薦的，總是羅列出一大堆資料，能放的全部放，不論國內國外為了讓自己的文章看起來充實，感覺專業，其實基本上內容不會有特別大差別。

當然這些人能夠對自己的資料有很清晰的掌握，知道哪些是需要看，哪些是沒多大用處的。

但對于小白來說，就會形成無形的壓力：單單數學知識就已經幾個g的資料了，這還只是基礎，后面需要學的還多少？ 不知道多少人是被成噸的資料嚇跑。而想學習的人往往也是抱著英勇就義的態度。

如果以后你想深造，或者對算法理論感興趣，去系統學習，那沒問題。但是如果是為了入職人工智能，不必要系統學習。不然數學還沒學完，你就扛不住放棄了，而很多人就是跳進了這個火坑，而中途放棄。

2.9 不需要系統學習，并不是不學習

不需要系統學習，并不是不學習，還是需要預先復習一些核心的、后續學習用到的數學概念，以輔助理解“深度學習”和“神經網絡”的各種運算。

但這種復習，不是系統數學知識，因此難度不大、所花的時間不多，幾個小時即可，不需要幾個星期，甚至幾個月的時間研究數學。

---

---

作者主頁(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文網址：https://blog.csdn.net/HiWangWenBing/article/details/119211237

總結

以上是生活随笔為你收集整理的[人工智能-综述-6]：为什么说，系统的数学知识学习不是人工智能学习的必要条件的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。