作為機器學習研究員，您在機器學習中理解的難度仍然很大嗎？

我認為自己是一名（目前）無薪的ML研究員，已經研究了不到一年。雖然因為在我生命的這一點之前，我還沒有注意到數學，科學和計算 - 除了我需要知道的東西 - 我現在發現我有一種新的動力去學習更多 - 在很大程度上受到ML的啟發。可組合性是我仍然在試圖弄清楚的過程中（特別是我個人認為它），因為雖然我被告知（并且從概念上理解）這個主題是“像俄羅斯娃娃一樣嵌套”（見OCDevel）有度這樣的理解

我（大致）理解ML所處的概念層面框架。可以在Spotify上找到的30部分系列機器學習指南對我進行了精辟而簡潔的解釋。從那里我被推薦開始Andrew Ng Coursera課程。我只聽了他的音頻格式講座，但我發現很難直觀地掌握他的講座細節而沒有視覺伴奏，所以下次我嘗試他的課程時我需要睜開眼睛。

在更深層次上，我必須警惕自己進入互聯網的公海。即使在youtube上也有很多視頻可以提供建議，學費和意見。說還有很多好的系列要訂閱。我有一段時間在Spotify上聽一些Data Skeptic播客系列。這些非常好，我可以徹底推薦它們。他們深入了解影響和受ML影響的許多數據科學，數學和科學主題，并且是對更大主題的一個偉大的音頻介紹 - 例如P＆NP（例如）

然而，因為我對科學和數學的基本把握并不是很好，我發現吸收一些科學已經成為一種逐步建立我的知識基礎的信心的方式，將ML視為一項更為認真的努力。我對力，質量和加速度之間的關系知之甚少，這些關系決定了我們對時空，pi，黑洞，全息圖，時間的方向和維度以及我們如何感知或分類熵的理解。雖然我也很高興我現在對我不知道的事情了解得更多。

然而，我仍然沒有完全理解我的知識和理解的參數應該在哪里。特別是計算神經科學在不同的時刻被標記為可能值得更多探索的領域，盡管連接所有這些點需要時間，過程，紀律和應用研究。拋出像Python這樣的編碼語言 - 例如 - 你可以看到相對于潛在主題過載的時間如何突然變成不必要的壓力。因此，最近幾天我暫時放棄了編碼并返回機器學習指南作為一種檢查方式，因為這是我對該領域的起始基準介紹。

重新檢查一下（到目前為止）很有趣。因為現在有些概念比較熟悉了。但還很遙遠。因此，與一年前相比，我認為現在有了像未來學這樣的“事物”，但我并沒有給出任何預期奇點收斂的指示性估計。我意識到ML超參數設置指令將在我的舒適區之外。我會理解，在討論代理，狀態，模型和環境的背景下，我們將談論強化學習（或馬爾可夫鏈），但如果你告訴我在Python中編寫一些能夠實現這種功能的東西，我仍然可以區分列表，字符串和變量。

我得到ML目前的行業投資主要是在監督學習領域，但我不能列出超過幾個與該功能相關的算法。盡管我從概念上知道有數百種算法可供選擇。我認為有監督的學習可以區別于無監督學習，但如果你在我面前放置兩個高效的算法運行計算機，那么說服我在測試數據集上生成標簽的那個實際上是標簽可能相對容易生成另一個的訓練數據。不太圖靈但仍然如此。

如果我必須列出如下，那么我會這樣安排。這個列表只反映了我目前的學習世界，我只按字母順序（不是優先級）來嘗試更好地回答這個問題。所有數字在這里以0到9的比例引用 - 零很容易，9是最大難度。分配的數字是直覺上任意的，完全主觀的，并且在其表述中沒有假設科學或數學基礎。它們也可能會發生變化。在分配號碼時考慮的因素可能包括也可能不包括當前的知識水平，獲得必要或目標知識水平的估計時間以及獲得必要或目標知識水平所需的可用時間：

算法：8

CALCULUS :?

計算和人工智能的歷史：3

行業：2

線性代數：4

邏輯：5

OCTAVE :?

哲學：3

物理學：7

PYTHON：5

統計：6

TENSORFLOW：3

在實踐層面上，我需要學習呼吸（隱喻）并調整我的人類存在的參數，以尋求更好地理解ML。我目前更喜歡將音頻作為一種可吸收的格式來學習，盡管越來越明顯的是僅使用音頻在其實用性方面變得有限。因此，我所擁有的一個廣泛的目標是增加我使用我的視覺功能所花費的學習時間，無論是編碼，數學還是視覺設計功能。如果我找到一個能夠支付我使用時間的雇主，那將是有利的（希望對我和他們而言）。

寶寶起名 起名