在人工智能時代，如何快速學習一項技能？

寫在前面

我們現在處在了一個知識高速迭代更新的時代，在這個時代中，你可能會有這樣一種感覺，學習知識的時候，如果想從頭到尾學習一邊理論，然後再去使用（就好像我們在學校學習時的那種邏輯），你會發現，等你學完了理論之後，又出現了新的理論，新的知識，彷彿理論永遠也學不完，等你學習了後面的理論了，還沒等實踐，前面的又忘了。 這樣的學習方式，彷彿永遠在學習理論，並且自身沒有進步，浪費了很多時間。

在剛入坑人工智能的時候，我也是這樣的一種學習思路。先從機器學習開始，搜一些課就開始學，然後記筆記，然後再深度學習，跟着課學習，等學完了之後，深度學習又出了新的東西，又去學理論…， 如此反覆，表面上，我很努力，也學習到了很多理論，但是實際上，如果問這些理論的細節，我大腦裏面根本就模糊不清， 這是因爲，我學習到的這些知識，我都沒有真正的用到它。 沒有機會實踐出來。 所以後來我開始反思，在現在這個時代，我發現我們以前的那種學習方式不太適用了，如果想高效率的學習，需要轉換一種學習方式，不妨我們從實用的角度，然後遇到不會的，再去學習，去彌補理論，我覺得這樣的方式效率挺高的。

從實用的角度出發

學習知識的時候，一切從實用的角度出發，我們學習知識，都是要解決實際問題的，所以千萬不要把過多的時間都放在理論之上，因爲理論知識太多了，我拿入門機器學習和深度學習來講，如果真的想做好人工智能，需要四個維度的知識（當然這是我自己的知識框架）：

• 編程基礎（Python編程，數據分析基礎：numpy，pandas，可視化，特徵工程等， 深度學習框架TensorFlow，Pytorch）
• 數學基礎（數學，數理統計，線性代數）
• 算法基礎（內功算法：算法與數據結構， 外功算法：機器學習和深度學習算法）
• 應用領域（CV， NLP，RS，預測，分類，聚類等）

對於一個剛入門的小白來講，千萬不要從頭一個個的補充理論，這樣你會發現，光數學這塊都夠你學習很長時間的，並且學習完之後忘了不說，還不會用。 這就是我之前採用的學習方法。我確實浪費了一些時間。

後來我發現，其實，我們完全可以不用全知道上面這些維度所有的知識，只需要瞭解一些基本概念（這個還是要了解一遍的，要不然都不知道後面講的是啥），就挑一些簡單的知識進行學習，比如數學基礎，由於大學裏我們都學過這幾門科目，所以這裏其實不用那麼仔細的再來一遍，一些概念比如積分，矩陣乘法，數理統計的一些知識有印象就可以了，編程基礎，Python的基礎語法學一些，numpy，pandas等基本的使用學一些，可視化的東西學一點， 就是各個學點，然後就可以先上手了。

找一些項目上手練習，可能一開始確實很辛苦，因爲很多東西，你並不知道說的是啥，比如過擬合，欠擬合等這些東西，然後去查，去找，補充到自己的知識框架裏面，然後再學習，通過這種方式，時間長了，你會發現，你的知識框架會慢慢的變得豐富起來，並且由於總是在用，遺忘速度也沒有那麼快。 這樣還可以追趕新的技術。

這是一種 開始速度慢，但是加速度快的學習方式，但是出發之前，一些基本的概念，尤其是機器學習算法和深度學習算法，一些基本的概念還是必須要弄清楚明白的。 上面說的這個一點， 也是很重要的，不僅要全，還要精。

MAS方法 – 出發之前我應該如何掌握知識

上面講的是從實用的角度出發，就是我開始一個項目，從項目中學習新知識，但是能出發的前提是有了一個基本的知識框架和基礎了。
這個基本的知識應該如何學習呢？ 或者說跟着課程學習的時候應該如何學習呢？
這裏記錄一個在課程中學習到的一個高效的學習方法， 稱之爲MAS方法。

• Multi-Dimension：想要掌握一個事物，就要從多個角度去認識它。

如何建立多維連接呢？

• 基礎概念： 這是基礎，一定要吃透
• 工具： 掌握工具，鍛鍊實操
• 題庫： 想真正的瞭解概念，就要多練，多動手

這個過程，就是從「思維」到「工具」再到「實踐」的一個過程。如果說重要性，一定是「思維」最重要，因爲思維是底層邏輯和框架，可以讓我們一通百通，舉一反三，但是思維修煉也是最難的。所以，我強調把學習重心放在工具和實踐上，即學即用，不斷積累成就感，思維也就慢慢養成了。

• Ask：不懂就問，程序員大多都很羞澀，突破這一點，不懂就問最重要。
• Sharing：最好的學習就是分享。用自己的語言講出來，是對知識的進一步梳理。

修煉指南 – 從認知到實踐再回到認知，如此反覆

人與人最大的差別在於「認知」，所謂成長就是認知的升級。

很多人存在對「認知「的誤解，認爲認知不就是概念麼？那麼你有沒有想過，針對同一個概念，爲什麼不同的人掌握的程度是不一樣的呢？

我們只有把知識轉化爲自己的語言，它才真正變成了我們自己的東西。這個轉換的過程，就是認知的過程。

那麼如何提升自己的學習吸收能力呢？簡單地說，就是要「知行合一」。

如果說認知是大腦，那麼工具就好比我們的雙手，數據工程師和算法科學家每天打交道最多的就是工具。如果你開始做數據分析的項目，你腦海中已經思考好了數據挖掘的算法模型，請牢記下面這兩點原則。

• 1. 不重複造輪子
     舉個數據採集的例子，很多公司，都有數據採集的需求，他們認爲某些工具不能滿足他們個性化的需求，因此決定招人專門做這項工作。而結果怎樣呢？做了 1 年多的實踐，工資投入幾十萬，結果發現 Bug 一大堆，最後還是選擇了第三方工具。耗時耗力，還沒什麼成效。一個模型是否有相關的類庫可以使用——這幾乎是每個程序員入行被告知的第一條準則。

• 2. 工具決定效率
     「不要重複造輪子」意味着首先需要找到一個可以用的輪子，也就是工具。我們該如何選擇呢？這取決於你要做的工作，工具沒有好壞之分，只有適合與否。除去研究型的工作，大部分情況下，工程師會選擇使用者最多的工具。因爲：Bug 少、文檔全、案例多。比如 Python 在處理數據挖掘上就有很多第三方庫，這些庫都有大量的用戶和幫助文檔可以幫助你來上手。
     
     選擇好工具之後，你要做的就是積累 「資產」了。我們很難記住大段的知識點，也背不下來工具的指令，但是我們通常能記住故事、做過的項目、做過的題目。這些題目和項目是你最先行的「資產」。
     
     如何快速積累這些「資產」呢？三個字：熟練度。把題目完成只是第一步，關鍵在於訓練我們工具使用的「熟練度」。
     

     當熟練度增加的時候，你的思考認知模型也在逐漸提升。

總結

認知三部曲：從認知到工具，再到實戰，然後如此反覆。
不管是學習什麼知識，我們都應該這樣做：

• 記錄下你每天的認知。尤其是每次課程後，對知識點的自我理解。這些認知最好是通過博客或者筆記的方式整理，分享出來， 不懂的也一定要問MAS。
• 這些認知對應工具的哪些操作。用工具來表達你對知識點的掌握，並用自己的語言記錄下這些操作筆記。
• 做更多練習來鞏固你的認知。我們學習的內容對於大部分外人來說，就像「開車」一樣，很酷。我們學習的內容，對於要掌握的人來說，也像「開車」一樣，其實並不難，而且很多人已經上路了。你需要的就是更多的練習。