【问题】学员疑惑集中解答

[wqw547243068]

说明

• 汇总alpha收集的问题，并集中解答（alpha+aidar+wang）

为什么来听课？

• 只是感兴趣
  • 第一课的ppt足矣
• 想亲手实践深度学习
  • 欢迎！按照课程体系学习就好
• 感觉好难，还是放弃吧
  • 心诚则灵，既然花了时间，为什么要半途而废呢？再坚持坚持，一定能熬到美好的明天
• aidar说大家学习的投入程度至少这样：

  If students don't spend on average 8-10 hours a week, they can't learn effectively.That's the recommendation from fastai course. It includes watching a video (2hrs), going through all Jupyter notebooks (2- 4 hours), doing your own project (2-4 hours). So when we have a workshop, students simply present their results, ask questions, involve in discussions... That's the model.

• 当然，个人精力有限，都有自己的事情，难以保证。
• 但是，你的基础是什么样，想达到什么程度，就需要付出相应的努力，底子越差越需要加倍努力，没有随随便便的成功，别想着不劳而获。

为什么想学深度学习？

• 目的：问问自己，是简单了解，还是走科研道路，投身工业界，或者只是玩玩？
  • 简单了解：看一次课ppt，足矣
  • 科研的追求是什么呢？是拿到项目和产出论文，实验室环境是不考虑成本的，而作为一个工程师最先考虑的就是成本，把一个实验室算法迁移到工程算法，运行起来，产生利润，差距很大，有很多事情要做，代价很多，包括数据获取，人力，计算资源等，每一项都是公司的钱。
  • 大家追求不同，对课堂内容的学习侧重也会不同。请大家想清楚要走那条路
  • 玩玩儿？are you kidding me？还不如打一场游戏、健身呢

我就想学深度学习，越快越好，别跟我扯机器学习

• 好多同学上来就说要学人工智能，却连AI与DL、ML的关系都傻傻分不清
  • 关于人工智能，有很多说烂了的梗，比如说：

    当我们说artificial intelligence的时，实际上是artificial artificial-intelligence，就是“人工人工智能”。

  • 人工智能不像传闻中的那么fancy，需要扎扎实实的努力，为什么强调底层原理，因为调包党很脆弱，连工程师都算不上，工程师需要在效率上追求极致，如果不懂原理，不太可能提升效率，调包党很容易被AI本身替代（AutoML）。
• 老师在课堂上的原话：如果有人告诉你不用学机器学习，直接学深度学习，别信。两者的关系像是是父子，没有父母，哪有你们，机器学习已经有40-50岁了，而深度学习还是个13岁的小孩，靠机器学习供养，6岁时凭借Alex net在视觉领域崭露头角，就自以为可以独立闯江湖了？too simple，sometimes naive，^_^
• 技术的发展不是孤立的，是连续的。卷积、lstm等深度学习概念在90年代就已经出现了，只是受制于当时的算力与数据没办法进一步发展。大家在进行学习的时候，还是要保证连贯性，不要跳级学习。（推荐一本经典的机器学习书籍：《prml，模式识别与机器学习》），ps：模式识别是机器学习的大哥哥

既然以fastai为蓝本，为什么不讲fastai工具包源码？

• fastai是一个小众、非主流工具，抽象度很高（以pytorch为基础，比keras还高），代码布局上也有强烈的个人喜好，并不符合企业标准。
• 适用条件：需要具备至少1年的编程基础，机器学习基础，并不适合零基础入门学习
• 应用场景：主要是kaggle比赛，集成很多先进的算法，调用方便，事实上作者本人就是竞赛达人，非名校名企背景——如果底子不够，强行学习，很容易迷失方向，成为传说中的“调包党”

• 综上，老师对课程做了调整，很少讲fastai框架、源码，而是讲背后的原理。为什么呢？

  • ①老师精力不够，作为志愿者，跟大家一样，并不能抽出大量时间准备，即便是这几次课，已经牺牲不少个人时间
  • ②学fastai收益不高，fastai函数封装太多，把用户当“傻瓜”，去打kaggle是可以的，快速拿到名次，只是工业界不用这个工具包，老师面试过很多人，对于kaggle获奖者，都会从深度+宽度上追问，不幸的是，不少人虽然拿了好名次，但连基本的机器学习流程都不懂，典型的学院派，只好刷掉
  • ③学东西尽可能贴近底层，层级越高学得越不扎实，还记得第一课里的两张图吗？

  • 

    • 第一张图：被时代淘汰的程序员沿街乞讨（虽是调侃，但值得警醒）

    • 

    • 第二张图：demo和项目是大树上的花果，理论和工程功底是树根和树干，显然，如果基础不牢，再多的项目都无济于事

• 另外补充了机器学习和深度学习基础知识，老师也反复强调：不要花太多精力在工具使用上，应该多了解底层原理，否则会很容易被替代，即便是学工具，也要学主流工具，如tensorflow,pytorch。

底层原理是什么？

• 要看应用场景，对于深度学习，需要知道调用的函数在干嘛，对应于机器学习里哪些环节，为什么会这么做，有没有别的方法？这时的底层原理是机器学习组件
• 如果是大型web应用，原理就是背后的http协议，浏览器渲染，语言逻辑，数据库等
• 工程能力，是如何写代码、管理代码、系统集成、回归测试、版本控制等，工程能力直接影响算法的底层架构和系统，还有数学知识，因为建模离不开背后的数学原理。
• 借用一个广告：“广告是路桥工程，是一砖一石的去往前铺盖，有点尘土，而不是飞天遁地和鲜衣怒马，所谓的才华是基本功的溢出。”
• AI的高大上建立在自身扎实的基础之上。

提示

• 这次课虽是免费的，但背后的付出不比收费课程少，希望大家珍惜组织方的努力和付出，不要以为免费没好货
• 实际上，不少免费视频质量非常高，比如3brown1blue的视频、andrew ng、李宏毅，还有fastai
• 相关人员
  • 大数据文摘：alpha（稀牛学院）、子敏、宝尚等
  • Shcool of ai Beijing：aidar、max、chris
  • 清华数据科学研究院
  • 教师团队（志愿者）

其他

• 如果有什么问题，欢迎大家留言