机器学习目前就告一段落了，但并不是结束了，还有很多知识都没讲，如PCA、LDA、梯度提升、聚类中的更复杂的聚类方法等都没有讲，这些知识我打算做项目遇到后再详细的介绍，效果可能会更好，另外就是已经讲的都是基础的东西，同时也是很深入的知识，基本上每个算法我都深入挖掘了。这些知识将为我下面的深度学习打下基础。
如果真有人看到，我还是先给大家说说学习理论的难点，然后再说一下个人的计划，督促自己。理论的学习的难点第一个就是数学公式，基础的概率知识、矩阵知识和高等数学是很有必要的，大家千万不要惧怕数学，要慢慢喜欢数学，数学的魅力在于，他可以使用简单的数学公式去描述很重要的问题，更容易理解。搞算法，数学是基础，提高自己的建模能力更重要。还有就是对于学习，我不喜欢一开始就深入细节里，那样容易走弯路，我一般是希望从整体去把握这个领域的知识，等整体把握以后，就知道哪里是重点哪里是难点了，然后在细节深入，另外就是学习理论不能急，他需要一个过程，过程的长短和你的学习能力和理解能力以及你的专业背景有关，请不要盲目从众，要找到适合自己的学习方法。当你第一次接触某一个新的领域的知识时，学习时尽可能的去深入理解，不可以走马观花，实在不会的可以放放，等到第二遍学习，那时候你已经有全局观了，这个时候每个算法都有深入理解，找到算法的本质，搞明白算法的来龙去脉，因为每个算法的产生肯定是为了解决一个或者一类问题的，这是很关键的，去体会当时的人是如何思考问题的，为什么他能想到，如果我们遇到类似的问题，我们能不能想到解决方法？这是很重要的即知其然更要知其所以然的目的。当然这些都建立在你有足够时间的基础上，我在读研究生，所以时间很多，每天可以花个十多个小时去深入学习，所以还是要分情况，但是效果应该是一样的，因为学习的终极是当你遇到新问题或者类似的问题，在没有可以参考的情况下，你能不能创造性的解决问题，这才是最重要的。而这个能力就是在学习时，多思考，多想别人是怎么思考的，别人为什么这样想？因此，学会学习很重要，找到适合自己的学习方法更重要，最重要的是学会发散思维的思考，不要把问题停留在表面，而是深入挖掘问题的本质，这才是核心竞争力。这些就是我学习的经验
与其说本节是机器学习的总结，倒不如说我学习了将近两年的人工智能学习的总结，从2016年的11月份我开始关注人工智能行业，到2017年6月份全身心的投入学习，将近两年了，这两年的学习使我可以从整体窥探这个领域的全貌。第一年我没有选择立刻就开始投入学习CNN、RNN这些‘高大上’的算法实现上，因为我知道，想要深入学习深度学习，本领域的基础知识必须很扎实，且对本领域的各个算法必须理解透彻，算法的优缺点、适用范围必须深入理解，同时还要知道算法被发明的出来的来龙去脉，做到知其然更要知其所以然的地步，只有这样在使用深度学习时才能灵活的运用，遇到问题才知道如何解决。所以第一年我静下心去学习了机器学习、深度学习、自然语言处理、强化学习的理论，学习这些理论我花费了将近一年半的时间，第一遍学习确实困难重重，但是坚持下来了，收获了很多，这些理论学完以后，对这个领域开始有了整体的把握。后面又花费三个月看了几本这个领域的经典书籍，经典书籍看完以后，2018年9月份我开始从头整理学习的知识，这次是在有全局概念的前提下再一次深入理解知识，此时的深入就达到内化了，明显的感觉到，第一遍学习很难理解的地方，第二遍开始后很简单了，而且理解的更深入了。同时为了更好的理解知识和输出知识，开始写博客，写博客的目的就是把自己理解的知识输出，一是检验自己的学习，二是让别人帮你查看你的理解是否有错或者帮助别人学习，三是以后忘了，再看很容易的回忆起。
九月份开始准备写，准备了将近大半个月，集中精力使用了一个多月把机器学习的主要算法完成了，下面就开始深度学习，同时也在不停的学习数据处理方面的知识，希望年前能把深度学习知识体系化，数据处理方面也深入学习一下。当然不会只做这些东西，其他时间也在学习算法，虽然以前学习过算法，但是现在感觉当时理解的不深入，需要继续深入理解。年后计划把数据结构也在次深入理解一下，同时学习c++了，虽然理论学的很好，但是最后终归是要落到实处的，以后毕业工作了，公司是要能干活的人，而不是只懂理论的人。虽然现在对c语言很熟悉，对python的也熟悉，但这些语言终归不适合实现算法，因此学习c++很有必要。明年的经历将主要放在实战上，即应用上，如果时间足够还会把自然语言处理的理论通过博客输出，剩下的时间就是不停的实战项目，涨经验，通过机器学习的实战发现，一旦理论深入理解了，调参数还是很容易的，在深度学习应该也是适用的吧，目前的计划就是这样，计划有了，剩下的就是一步步实现它。
好，使用两天把深度学习的思路理顺，然后开始深度学习的理论总结。
2018.11.7