作为机器学习研究员，您在机器学习中理解的难度仍然很大吗？

我认为自己是一名（目前）无薪的ML研究员，已经研究了不到一年。虽然因为在我生命的这一点之前，我还没有注意到数学，科学和计算 - 除了我需要知道的东西 - 我现在发现我有一种新的动力去学习更多 - 在很大程度上受到ML的启发。可组合性是我仍然在试图弄清楚的过程中（特别是我个人认为它），因为虽然我被告知（并且从概念上理解）这个主题是“像俄罗斯娃娃一样嵌套”（见OCDevel）有度这样的理解

我（大致）理解ML所处的概念层面框架。可以在Spotify上找到的30部分系列机器学习指南对我进行了精辟而简洁的解释。从那里我被推荐开始Andrew Ng Coursera课程。我只听了他的音频格式讲座，但我发现很难直观地掌握他的讲座细节而没有视觉伴奏，所以下次我尝试他的课程时我需要睁开眼睛。

在更深层次上，我必须警惕自己进入互联网的公海。即使在youtube上也有很多视频可以提供建议，学费和意见。说还有很多好的系列要订阅。我有一段时间在Spotify上听一些Data Skeptic播客系列。这些非常好，我可以彻底推荐它们。他们深入了解影响和受ML影响的许多数据科学，数学和科学主题，并且是对更大主题的一个伟大的音频介绍 - 例如P＆NP（例如）

然而，因为我对科学和数学的基本把握并不是很好，我发现吸收一些科学已经成为一种逐步建立我的知识基础的信心的方式，将ML视为一项更为认真的努力。我对力，质量和加速度之间的关系知之甚少，这些关系决定了我们对时空，pi，黑洞，全息图，时间的方向和维度以及我们如何感知或分类熵的理解。虽然我也很高兴我现在对我不知道的事情了解得更多。

然而，我仍然没有完全理解我的知识和理解的参数应该在哪里。特别是计算神经科学在不同的时刻被标记为可能值得更多探索的领域，尽管连接所有这些点需要时间，过程，纪律和应用研究。抛出像Python这样的编码语言 - 例如 - 你可以看到相对于潜在主题过载的时间如何突然变成不必要的压力。因此，最近几天我暂时放弃了编码并返回机器学习指南作为一种检查方式，因为这是我对该领域的起始基准介绍。

重新检查一下（到目前为止）很有趣。因为现在有些概念比较熟悉了。但还很遥远。因此，与一年前相比，我认为现在有了像未来学这样的“事物”，但我并没有给出任何预期奇点收敛的指示性估计。我意识到ML超参数设置指令将在我的舒适区之外。我会理解，在讨论代理，状态，模型和环境的背景下，我们将谈论强化学习（或马尔可夫链），但如果你告诉我在Python中编写一些能够实现这种功能的东西，我仍然可以区分列表，字符串和变量。

我得到ML目前的行业投资主要是在监督学习领域，但我不能列出超过几个与该功能相关的算法。尽管我从概念上知道有数百种算法可供选择。我认为有监督的学习可以区别于无监督学习，但如果你在我面前放置两个高效的算法运行计算机，那么说服我在测试数据集上生成标签的那个实际上是标签可能相对容易生成另一个的训练数据。不太图灵但仍然如此。

如果我必须列出如下，那么我会这样安排。这个列表只反映了我目前的学习世界，我只按字母顺序（不是优先级）来尝试更好地回答这个问题。所有数字在这里以0到9的比例引用 - 零很容易，9是最大难度。分配的数字是直觉上任意的，完全主观的，并且在其表述中没有假设科学或数学基础。它们也可能会发生变化。在分配号码时考虑的因素可能包括也可能不包括当前的知识水平，获得必要或目标知识水平的估计时间以及获得必要或目标知识水平所需的可用时间：

算法：8

CALCULUS :?

计算和人工智能的历史：3

行业：2

线性代数：4

逻辑：5

OCTAVE :?

哲学：3

物理学：7

PYTHON：5

统计：6

TENSORFLOW：3

在实践层面上，我需要学习呼吸（隐喻）并调整我的人类存在的参数，以寻求更好地理解ML。我目前更喜欢将音频作为一种可吸收的格式来学习，尽管越来越明显的是仅使用音频在其实用性方面变得有限。因此，我所拥有的一个广泛的目标是增加我使用我的视觉功能所花费的学习时间，无论是编码，数学还是视觉设计功能。如果我找到一个能够支付我使用时间的雇主，那将是有利的（希望对我和他们而言）。

宝宝起名 起名