AI現在隨便一個人都能忽悠兩句，網上甚至有三條python語句的傻瓜神經網絡應用工具，似乎人人都能成為AI“磚家”。
AI入門還是比較簡單的，尤其是現在python盛行，隨便誰一天之內都能寫出不錯的AI程序。
但是AI的精通其實是非常難的，大部分玩的都是別人准備好的訓練數據，根本就不知道怎么處理真實數據，其實AI的60%以上的工作都在原始數據的處理上。
你得足夠了解自己的數據，這是你的命根子，你得用各種統計學方法來觀察檢測自己的數據，你都不了解自己的數據就去隨便套模型，出來的結果自己都不知道是什么，還想忽悠別人相信？
數據准備好了之后，就可以根據自己的經驗來挑選模型，其實經過這么多年的優化，不同模型之間的性能差距真的不大，比較幾個常見模型就好了，真沒必要每個模型都試一下。
調參。。。
言歸正傳~ 數學基礎，機器學習離不開數學，非科班出生的同學一看到數學的部分就開始心煩，心里抱怨，為什么當初我就沒學好數學呢？恨不得立馬惡補各種公開課，教材。
我也一樣，各種搜索，想要補回來數學基礎。但都以失敗而告終。
因為我對機器學習的興趣僅僅限於我現有數據的應用上，從頭開始啃大部頭，一我沒時間；二我沒興趣，所以實在沒必要死磕到數學里。
數學專業：他們才是最有能力探索底層數學的人；
機器學習理論專業：探索最前沿的AI模型，從數學的角度；但數學能力和數學專業的人還是有差距的；
機器學習應用專業：偏重已有模型的解讀和應用，數學基礎以能理解現有模型為重；
交叉學科的機器學習應用者：我就在這，這些人都手握大量的珍貴數據，看着機器學習現在這么熱，也想來探索一下自己的數據。有能力的大老板就會直接招機器學習專業的小老板；一般的老板就只能招個非科班出生的博士。我們的使命是探索數據中的知識，而不是開發最前沿的AI模型。這群人數學能力偏弱，甚至無法理解自己模型的數學原型。
所以，該不該補數學，怎么補，取決於你在哪個應用層。
作為交叉學科的應用者，精力有限，不可能從頭開始補數學，所以只能在應用中零碎的去補了。要明確我們的優勢，我們是數據導向的，不是算法導向的。
你一個交叉學科的非要去和純AI學科的人在算法數學理論領域拼刺刀，那我只能說你傻。
呵護好自己的數據，選擇一個自己能足夠掌控的成熟模型，得到一些同行認可的有價值的結果，這就足夠了。
如果你要全職轉去AI行業，那就必須要提高對自己的要求了。
一些數學符號：
vector向量：lower case bold Roman letters. (default: column vector)
T轉置：transcpose of a matrix or vector.
Matrices矩陣：uppercase bold roman letters
[a,b]：closed interval
(a,b)：open interval
E, expectation:
var, vriance:
cov, covariance:
norm, 范數：有時候為了便於理解，我們可以把范數當作距離來理解。代碼理解，加深理解。原來我之前在python中見到的L1和L2就是這里的范數。
待續~