学习机器学习一定要会推公式吗

[ligiggy]

不推公式可以简单上手吗，比如可以把库拿过来就用？

然后，有无这类的上手书推荐。

感谢 @albert0yyyy 推荐的书，看起来我是适用人群。

https://tangshusen.me/Dive-into-DL-PyTorch

[LavaC]

可以试试 coding train 的 ml5.js 入门视频

[Jooooooooo]

这和 "编程一定要学网络技术, 操作系统之类的内容吗?" 是一样的问题.

我看来答案是 要学.

机器学习里一门相当重要的课是矩阵论, 先把这个学好吧.

[hlpureboy]

如果只是玩玩的话，大概知道怎么回事就行惹，如果想明白具体的损失函数是怎么推出来的，那就得具体学学数学。

[ligiggy]

@hlpureboy 所以要怎么玩，我就只想玩玩看。

[hlpureboy]

@ligiggy 你要具体做什么呀，定义好问题，找到 match 的领域，看看综述啥的，然后找一篇相关顶会论文跟着复现一下，在结合自己的具体问题调整就行惹。如果像是目标检测、图像分类这种问题很多人都讲解过了，跟着看视频就 ok 了

[jarence]

不需要公式推导的情况：要处理的问题有了非常成熟的解决方案以及大量有效的数据。现有很多 autoML 的框架，比如 AutoGluon ，只要数据够多且有效，那么基本没啥问题。
需要公式推导的情况：没有成熟的解决方案，或者需要做一些定制，又或者遇到了一些奇奇怪怪的问题。

[czfy]

推公式是什么意思？

[ligiggy]

@hlpureboy
@jarence 好的谢谢。

[ligiggy]

@czfy 应该是有一个复杂的机器学习公式，推公式就是从原理开始讲，建造一个公式，然后一步一步推导到结果。

[albert0yyyy]

不用吧，pytorch 框架，
建个模型类，加载数据，前向传播函数调用，反向传播函数调用，看看准确度和损失函数输出

当然会推肯定是锦上添花的

[ligiggy]

@albert0yyyy 有书籍或者教程推荐吗？想玩玩

[albert0yyyy]

@albert0yyyy 要推的公式涉及到的也不是很多应该，矩阵运算，导数偏导数求导。好像就没了

[kenvix]

初学推啥公式啊，又不是专门研究机器学习本身的。你用 java 还要把 jdk 代码全翻一遍不成？

[albert0yyyy]

@ligiggy
视频和书：动手学深度学习 pytorch （李沐）

想推公式：深度学习入门（ 斋藤康毅）

[pluvet]

只是用用的话不必。但是这样肯定找不到工作。

[jmc891205]

Deep Learning for Coders with Fastai and PyTorch

[jmc891205]

@jmc891205
and https://www.fast.ai/

[nightwitch]

直接拿来用就叫用机器学习，不叫学习机器学习。。

[DefoliationM]

只是用的话无所谓, 要自己写的话主要数学

[ligiggy]

@albert0yyyy 找到资料了，感谢！

[MrZhaoyx]

推荐李航老师的《统计学习方法》

[xiang578]

b 站上也有一个系列视频，手把手教你推公式：白板机器学习。

[ligiggy]

@xiang578 手把手也不喜欢推公式，过了这个年纪了。

[tfdetang]

机器学习从业者来回答这个问题: 一般只有要准备面试的时候才会去推公式
当然我比较水不能代表所有从业者。 其实大部分时候看论文什么的大概能看出是怎么回事，也能看懂就行了，关键是思路，很少真的去推公式

[dabaisuv]

谷歌的机器学习：
aHR0cHM6Ly9kZXZlbG9wZXJzLmdvb2dsZS5jbi9tYWNoaW5lLWxlYXJuaW5nL2NyYXNoLWNvdXJzZS9tbC1pbnRybw==

[ipwx]

分情况。

* 如果是用树算法处理工业数据，一般不需要推公式，调参就行。
* 如果用神经网络处理图片数据，一部分工作者不需要推公式，用 PyTorch 搞就行。
* 如果用神经网络处理自然语言，推公式的比重会增大。
* 如果处理的是无监督学习，或者顶会不怎么覆盖的新领域上做深度学习，那就得会大量原理性的东西，做各种 regularization （ loss / 结构），不会公式基本寸步难行。

[ligiggy]

@ipwx 为啥每次问问题，基本上大佬都能知道……太强了。

[ligiggy]

@ipwx 暂时我还没有应用场景，仅限于去了解一下玩玩，还没想当成自己的 工作技能。

[ipwx]

@ligiggy 其实现在 DL 比较成熟的也就 CV/NLP 。

大量工业数据没那么规整的，各种不同量纲、不同单位、不同性质的 heterogeneous data ，一般用树算法更舒服。经典的比如 RandomForest ，新锐的比如 GBDT 。除了这些树算法，还有就是 Bagging / Boosting 算法的思想得了解一下。

[ipwx]

@ligiggy 我上面举的这四个例子都不怎么需要推公式，工业数据上又比较万金油，投入产出比 DL 高。当然它们基本没法处理图片 /NLP ，CV/NLP 还是神经网络得天下。

[ligiggy]

@ipwx OK ，好的，有没有书推荐，我看了下楼上大佬推荐的 pytorch 教程，感觉挺不错的。

[ipwx]

@ligiggy ummm 很遗憾我已经脱离教材很久了。。。（今年 phd 毕业了

[xz410236056]

“比如可以把库拿过来就用”
当然可以，但是你不会相关的数据你怎么设计自己的神经网络呢？你只能用别人封装好的网络啊。

https://mofanpy.com/learning-steps/
推荐个学习网站。

[rpman]

要搭神经网络总得会推公式，不然搭出来一坨

[pkupyx]

一定要。未必背下来，但是至少知道分几块步骤，并且能看懂。