以模型为驱动，了解“机器学习”的本质
我选择了几种经典模型
（例如：线性回归、逻辑回归、
决策树、支持向量机、条件随机场、
K 均值等），作为入门的进阶。
一定要搞清楚其
问题域、模型函数、目标函数、训练算法……潜入到数学公式推导的层面，
对每一步的公式变换和对应的物理意义有所理解，然后再去实践。
这一个个的模型，就是机器学习的“肌肉”，我们要通过观察学习这一块块肌肉，
以其为载体来了解机器学习的核心——将事物转化为数值，将关系、变换转化为运算，以事实（数据）为依据，以规章（算法）为准绳，通过计算来掌握事物的客观规律（模型）。
要知道，这些经典模型固然经典，但是到了实际应用中，它们并非神圣不可改变。也不是说机器学习就仅限于这些经典模型。
只有掌握了机器学习精髓的人，才可能灵活运用现有模型去解决实际问题，甚至进一步针对具体问题得出自己的模型和算法。
反复学习，从记忆到掌握
当然，达到这种程度并非一蹴而就，总要从最简单的模型开始。
。
多学几遍，从头到尾掌握整件事情的逻辑，知
掌握了事物内在的逻辑，再去记忆，就容易多了。
学习标准设置得不必太高，比如可以这样：
第一遍学，只要求自己能完全掌握机器学习数据、模型、算法相互作用的基本关系，训练过程和评价标准。具体的模型，掌握最简单的线性回归就可以。
只要从头到尾掌握了第一个模型，做到：能够从模型函数开始推导出目标函数，再用梯度下降算法求解，用（伪）代码实现梯度下降求解过程。
第一遍学习掌握一个模型；第二遍学习就不难掌握2-3个模型；第三遍就有可能掌握本课列出的大部分模型………如此由易到难，螺旋式推进。
对于一些本身就比较复杂的数学模型，比如条件随机场、隐马尔科夫这类涉及场论和势函数的模型，如果直接入手，往往会卡在模型函数本身上。但是当有了前面几个模型的基础，了解了更抽象层面的原理，掌握起来就容易多了。
数学需要多精深？
。如果数学工具实在掌握得太少，最起码也要读懂一组公式推导中的第一个和最后一个式子：
读懂它们都针对哪些变量进行了怎么样的运算；
这些变量和运算的物理意义是什么；
第一个式子是对哪种真实场景的数学描述；
最后推导的结果又具备怎样的特征。
enter image description here
两条路径反刍数学知识
所以，同学们应力求理解每一步推导过程。
如果有可能，可以事先复习一下大学本科的高数（数学分析）、概率统计和线性代数。或者，在学习模型的过程中，一旦遇到了数学上的阻碍，就回头去查找相应知识。
很多数学问题，之所以让人头大，其实并不是真的有多难，而是符号系统比较复杂，运算繁复，或者运算所表达的物理意义多样。
很多时候造成困扰是因为想不起来这里用到什么定理，哪个公式，或者这样操作表达的含义是什么。
如果把常用的细小知识点都记录下来，按主题整理成速查手册（小字典），需要用的时候快速查找对应的知识点，这样我们的“机器学习”学习之路就顺畅不少。
下面两个是我自己制作的例子，供大家参考：
机器学习常用微积分知识速查手册
机器学习常用线性代数知识速查手册
日常学习 Tips
记录
准备一个笔记本，纸质版或电子版均可。有什么发现、感想、疑问、经验等等，全都记下来。
如果是对某个话题、题目有比较完整的想法，最好能够及时整理成文，至少记录下要点。
隔一段时间把笔记整理一下，把分散的点滴整理成块，一点点填充自己的“思维地图”。
分享
知识技能这种东西，学了，就得“炫耀”——把学习到的新知识、理论、方法，分享给更多的人。
如此一来，倒逼自己整理体系、记忆要点。这可以说是与人方便自己方便的最佳实例。
把自己的感想、体会、经验分享出来的同时，也锻炼了自己的逻辑思维能力和归纳总结能力。一举多得，何乐而不为？
以上谈到的关联、记录、分享的内容，大家都可以通过社群内的学习笔记来提交。我会挑选优秀的内容进行点评和回复。
