观点入行人工智能，了解导数、概率、矩阵及其运算等基本数学知识即可，无需要系统学习数学知识，应该花更多的精力熟悉不同算法，掌握调参技巧，务实代码功底。 1、 举个例子 在我上中学时，很多人告诉我，你要学好英语，首先要背单词。 学英语就像是建高楼大厦，单词就是地基 要想楼房修的高，地基就要打的硬。然后我背了这么多年的单词，但是面对老外的时候，一句英语也说不出来。很多时候都是说的时候想不起来用哪个单词，看到单词才想起来具体意思是啥？而往往当初花很大的精力学的英语单词，几乎都忘了。我记得有一次一个老外给我讲他外婆的故事。讲的时候，他提到了一个单词watermelon。从此以后我记下来watermelon是西瓜的意思，而且再也没有忘记。但是之前这个单词我背了无说遍，还是仍然忘记了。 这句所谓的“至理名言”我尽然相信了这么多年 2、假如把入职人工智能比作建高楼大厦，数学比作地基。 在我上大一的时候，学概率里面的各种估计，比如最大似然估计，学线性代数时的矩阵，我当时实在不懂学这种估计到底为了干啥？那个矩阵的特征值是干嘛的？矩阵为什么要相乘，他们乘法运算为什么是那样的，这些问题一直萦绕在我耳旁，直到我学习深度学习，机器学习的时候，我才发现原来是在这个地方用的。我才恍然大悟。 所以无论你花多少精力去系统学习数学知识，如果一开始不知道到底有什么用？在哪里用？你对这些数学知识的理解永远都是肤浅的。你学的再好，也无法保证你会用。 3、 碰到实际问题，哪个对你更有用 我们在调参或是优化的过程中，如果你遇到loss变高，过拟合，或者是验证集的精度不够这些问题的时候，你学习再多的数学知识，也无法保证你能解决这些问题。懂数学多一点儿，可能帮助你找出问题的所在，但是不一定有用。大多数的时候，你在工作中的经验可能更重要。这就是为什么，你学习在多的数学知识，你也抵不上一个工作了多年的老司机。多写代码，多做项目，做实战型人才。 4、 函数、运算都是封装好的，灵活调用更重要 不管是编程语言python、还是深度学习框架，其实他们已经把很多数学函数、运算都封装好了，你要做的就是学会如何调用他们，以及解决问题调用哪个函数能更好的解决问题。这些东西都是需要大量的实践才能积累的经验。我们取几个在深度学习当中，用到的数学知识，你们看一看就知道了  比如这个sigmoid函数，我们看到数学公式上面这个，图像是右边。  这个函数，我们用代码实现，就上面这一行。有图有真相，理解了吧 5、 工业界的应用 工业上应用的理论体系或是模型，不一定是非要多超前，多先进，很多时候会比较看重稳定性和可解释性，比如你在机器学习中常用的决策树，随机森林，回归和分类模型，这些模型就是因为应用的人比较多，所以你可以搜集到很多应用经验和案例去学习。即便你数学方面有些弱，那也不会有太大影响。 6、 工业界学术界各司其职 在过去的时候，学术界侧重在提出更好的模型，更好得优化方法。工业界则是更多的把这些方法落地，通过数据去验证，去应用在具体行业当中。但是在人工智能领域却出现了比较特别得地方就是，很多学术界的专家去工业界，这样当然更有利于理论成果尽快落地。但是这给很多人造成了一个误解就是，需要很扎实的理论知识才能入行人工智能。其实这些都是全球的顶级人才才这样做，或是企业里面高级算法工程师干的事，对于刚入职的小白来说，这些事轮不到你来干，你就老老实实做应用就好了。
7、 理性判断，最贵未必最好。看着多≠你能学会这么多 这个是我不太想说，但是又不得不说的一点。 很多入行的过来人，都是建议不必学习太多的数学知识，但是很多机构的课程设置上却安排了很多数学知识，还有专门讲解数学知识的课程。大概是以下 原因一：放的多，才能更好标一个高价。 原因二：外行人一看，数学要求这么高，必须报班才行，不然学不会。 原因三：大概是某些机构不走心，没有为小白认真考虑过这件事，一味的堆内容
你看看前百度首席科学家吴恩达的课程有讲很多数学知识么？
8、 行业不同，各有专长，无需把自己捧太高 很多科班出身的，本身数学功底不错，所以给你推荐很多数学材料，有的甚至推荐国外的数学教材，你学个简单线性代数有必要学习国外的教材么？基础学科内容不会有特别大差别。当然这些人是有很大的优势，但是也没必要太炫技。毕竟一个行业的发展，只有这些科班出身的人是远远不够的，应用层面还需要大量的人才填补市场空白。
如果以后你想深造，或者对算法理论感兴趣，去系统学习，那没问题。但是如果是为了入职人工智能，不必要系统学习。不然数学还没学完，你就扛不住放弃了。而很多人就是跳进了这个坑。
关于入行人工智能为什么无需学习那么多数学知识，就讲到这里 后面我会从人工智能工程师的三类职业：算法工程师、工程应用工程师、数据科学家分别讲解他们的具体工作，还有这三个工种的具体技能要求。 |
|
|
