AI现在随便一个人都能忽悠两句，网上甚至有三条python语句的傻瓜神经网络应用工具，似乎人人都能成为AI“砖家”。
AI入门还是比较简单的，尤其是现在python盛行，随便谁一天之内都能写出不错的AI程序。
但是AI的精通其实是非常难的，大部分玩的都是别人准备好的训练数据，根本就不知道怎么处理真实数据，其实AI的60%以上的工作都在原始数据的处理上。
你得足够了解自己的数据，这是你的命根子，你得用各种统计学方法来观察检测自己的数据，你都不了解自己的数据就去随便套模型，出来的结果自己都不知道是什么，还想忽悠别人相信？
数据准备好了之后，就可以根据自己的经验来挑选模型，其实经过这么多年的优化，不同模型之间的性能差距真的不大，比较几个常见模型就好了，真没必要每个模型都试一下。
调参。。。
言归正传~ 数学基础，机器学习离不开数学，非科班出生的同学一看到数学的部分就开始心烦，心里抱怨，为什么当初我就没学好数学呢？恨不得立马恶补各种公开课，教材。
我也一样，各种搜索，想要补回来数学基础。但都以失败而告终。
因为我对机器学习的兴趣仅仅限于我现有数据的应用上，从头开始啃大部头，一我没时间；二我没兴趣，所以实在没必要死磕到数学里。
数学专业：他们才是最有能力探索底层数学的人；
机器学习理论专业：探索最前沿的AI模型，从数学的角度；但数学能力和数学专业的人还是有差距的；
机器学习应用专业：偏重已有模型的解读和应用，数学基础以能理解现有模型为重；
交叉学科的机器学习应用者：我就在这，这些人都手握大量的珍贵数据，看着机器学习现在这么热，也想来探索一下自己的数据。有能力的大老板就会直接招机器学习专业的小老板；一般的老板就只能招个非科班出生的博士。我们的使命是探索数据中的知识，而不是开发最前沿的AI模型。这群人数学能力偏弱，甚至无法理解自己模型的数学原型。
所以，该不该补数学，怎么补，取决于你在哪个应用层。
作为交叉学科的应用者，精力有限，不可能从头开始补数学，所以只能在应用中零碎的去补了。要明确我们的优势，我们是数据导向的，不是算法导向的。
你一个交叉学科的非要去和纯AI学科的人在算法数学理论领域拼刺刀，那我只能说你傻。
呵护好自己的数据，选择一个自己能足够掌控的成熟模型，得到一些同行认可的有价值的结果，这就足够了。
如果你要全职转去AI行业，那就必须要提高对自己的要求了。
一些数学符号：
vector向量：lower case bold Roman letters. (default: column vector)
T转置：transcpose of a matrix or vector.
Matrices矩阵：uppercase bold roman letters
[a,b]：closed interval
(a,b)：open interval
E, expectation:
var, vriance:
cov, covariance:
norm, 范数：有时候为了便于理解，我们可以把范数当作距离来理解。代码理解，加深理解。原来我之前在python中见到的L1和L2就是这里的范数。
待续~