數學系想要深入研究一下機器學習，應不應該慢下來學好基礎？

1樓：鱷魚家的帥氣豬

你是數學專業的，老老實實學完數學專業的課程就足夠打基礎了，你的基礎不應該在理論，而是在程式設計，我還沒看見過哪個數學專業出身的學機器學習打不好基礎的。

2樓：小王日記

機器學習想深入研究，比如優化模型或提出新的模型等等，而不是僅僅停留在簡單應用層面，對數學要求還是很高的，前期應該打好數學基礎。

3樓：文俊

我覺得可以同步做！很多基礎知識你學習的時候根本不知道怎麼用，很枯燥無味！有機會的話，學習了解前沿只是對促進基礎知識學習有很大裨益！

可以講這些AI前沿作為基礎的乙個拓展應用！以問題、興趣為導向，有意思多了！一本正經的大學上課，一點卵用沒有，我覺得！

4樓：我的名字叫喬治

機器學習涉及到很多有關概率論與數理統計，線性代數，微積分的知識，學好這些功課打好基礎是深入研究機器學習的第一步。把第一步走踏實走穩了，後續的學習就會更加游刃有餘。

5樓：just

這個了解幾個常用的模型和一些基本知識，就可以上手，以結果為導向，不懂再學，程式設計這東西天天有新的東西，把編碼鍛鍊成一種肌肉記憶，在學習中思考，厲害的人之所以厲害，是他能把別人的東西創新為自己的東西。這些都是在不耽誤學業的前提下建議

6樓：小說讀者

呵呵，沒有必要。可以看出你是對技術，比對數學更感興趣的，學習技術和學習數學就是兩回事。數學非常在乎循序漸進，而技術，當然數學也重要，但不需要很多很高深的數學，它一般很適合從戰爭中學習戰爭。

你在實踐中發現什麼不會了，自己去補充就可以。

7樓：AI教育科普

在校學生就應該先打好基礎，而且還是大二，把概率論，微積分，線性代數學紮實是應有之義，如果你急著上手去做專案，你會發現到後期演算法優，演算法組合設計新的模型，這些都需要對於理論基礎都有要求，到時你還是需要來補習這一塊的知識。

8樓：Summer Clover

大二而已，實在是不用急於乙個學期。

在學完概率論前學機器學習也只能是學個皮毛，又何必多此一舉呢。

數學分析和高等代數倒不用再專門鞏固，數學系的基礎綽綽有餘了。真有不熟的地方，以後遇到了相關問題可以再複習。

但是概率論、數理統計一定要學好。學好後再系統地學機器學習，事半功倍。

然後一般機器學習、深度學習各一門課，基礎到位就可以找個實驗室參與做研究了。

想要數理基礎更突出一點，學機器學習的同時，你還可以繼續修其他數學和統計的課。

隨機過程、凸優化、資訊理論這三門本科中後期的課程了解一下。

這三門課對於做機器學習應用是派不上什麼用場的，但是對機器學習學術研究來說都是很有用，甚至就是讓很多researcher脫穎而出的關鍵之一。

在有餘力的情況下，我認為是學不了吃虧、學不了上當的。

9樓：店小二

在做研究之前難道不把《機器學習》上一遍嗎？你大二了應該數分高代都學過了。機器學習用不到數分，高代和概率論用得到，概率論部分用得比較多。

這些是CMU《機器學習》課程需要的概率統計知識。建議你先把本科階段的概率論上一遍。統計部分參考何遠江《概率統計引論》第七章線性模型初步、第八章貝葉斯統計簡介。

然後再系統性地學習一遍《機器學習》。

Machine Learning

這個鏈結裡有CMU機器學習課程的全部課件、作業、答案和一些供你訓練的project。可以照著學一下。你當然也可以跳過系統性學習概率統計這一步，直接看課件裡的概率統計知識，如果不懂就查書。

學完這些之後再考慮深入研究事宜吧。

10樓：原野與草叢

有兩個流派，第乙個是主張應用導向。

第二個主張基礎導向。

我認為都不衝突。

推薦grokking deep learning ，deepmind科學家的作品，能夠讓你熟悉一下其中最有魅力的deep learning部分，你後期可以逐步展開。