机器学习入门经历（二）

感谢楼主分享，学起来啦

请问楼主在具体做那些ml infra的工作呢？自己本身也学了点ml 了解一些算法 也打了俩kaggle 单觉得不太适合ml推导啦一类的。还是希望工作偏工程一些 ，楼主能否给些建议 ，多谢！

楼主，我最近在徘徊要看ESL还是PRML,网上有人说ESL得看论文不然有些地方看不懂。看了您的贴我感觉应该看PRML,不过实践的话，您在哪里实践？Kaggle上还是公司的项目?

感觉这些书用的时候翻一翻就好了，没必要读30%以上。一些经典的paper比这些经典的教材容易，甚至写的还好。

一个问题有很多解决方法，看完这些书恐怕理解也只是表面的。有些时候感觉专精一个方法已经不容易了。而如果记性质的话，完全可以网课速成，就像大部分人对GBDT的理解不需要多深，记住四五个性质完成可以Kaggle刷名次，又有何必要深究里面的math。编程实现的话，github经典代码的trick可能比理论更重要。

关键的是，这些书介绍的都是很经典的方法。而机器学习并非因为经典方法火起来，而是被beats everything的神经网络顺便带起来的。神经网络的非线性表示+SGD的非凸优化的确强大。前者是问题driven，不同问题需要对不同data有相应的理解造出相应的网络；后者需要对概率论理解非常深，不是各一两个经典方法书能搞定的或者KKT对偶就能解决的。多少人会费心学实分析，概率论，随机过程，动力系统，泛函分析，随机分析去理解hitting time, escaping time, log soblolev inequality等各种强大的functional inequality呢？但是只看方法的话，又怎么看得懂这些方法为啥厉害呢？所以呢，练编程刷题就好了。算法直接github copy就是了。经典算法对经典问题完全够用。

结论就是：定位是MLE就练coding刷题了解机器学习算法性质就行了，几乎没必要看书，看完也是忘的。定位是ML researcher就看 paper就好了，小白从经典方法/model paper看起，厉害的直接看理论paper就完了，也没必要看书。

Thanks, it's very informative!!!

果然要想成功没有容易的