雷鋒網(wǎng)按：本文原作者阿薩姆，本文整理自作者在知乎《如何看待「機(jī)器學(xué)習(xí)不需要數(shù)學(xué)，很多算法封裝好了，調(diào)個(gè)包就行」這種說(shuō)法？》問(wèn)題下的回答。雷鋒網(wǎng)已獲得轉(zhuǎn)載授權(quán)。

不抖機(jī)靈，想從接觸過(guò)機(jī)器學(xué)習(xí)學(xué)術(shù)圈但已投身工業(yè)界的角度來(lái)回答。

我認(rèn)為：大部分機(jī)器學(xué)習(xí)從業(yè)者不需要過(guò)度的把時(shí)間精力放在數(shù)學(xué)上，而該用于熟悉不同算法的應(yīng)用場(chǎng)景和掌握一些調(diào)參技巧。好的數(shù)學(xué)基礎(chǔ)可以使你的模型簡(jiǎn)潔高效，但絕非必要的先決條件。

原因如下：

1. 即使你有了一定的數(shù)學(xué)功底，還是不知道怎么調(diào)參或者進(jìn)行優(yōu)化。

這話(huà)說(shuō)的雖然有點(diǎn)自暴自棄，但捫心自問(wèn)在座的各位，當(dāng)你發(fā)現(xiàn) accuracy 不好、loss 很高、模型已經(jīng) overfitting 了，你唰唰唰列列公式玩玩矩陣就知道問(wèn)題出在哪里了嗎？不一定。誠(chéng)然，懂得更多的統(tǒng)計(jì)原理可以幫助推測(cè)問(wèn)題出在了哪里，你可能換了一個(gè) loss function 或者加了新的 regularizer，但結(jié)果不一定會(huì)更好 :(

數(shù)學(xué)基礎(chǔ)之于機(jī)器學(xué)習(xí)從業(yè)者很像 debugger 之于碼農(nóng)，它給了你方向，但不能保證你一定可以解決問(wèn)題。那怎么能解決問(wèn)題？只有經(jīng)驗(yàn)經(jīng)驗(yàn)經(jīng)驗(yàn)，別無(wú)他法，有時(shí)候甚至靠的是直覺(jué)。數(shù)學(xué)基礎(chǔ)是好的內(nèi)功基礎(chǔ)，但你調(diào)包調(diào)多了，其實(shí)也慢慢能抓到一些感覺(jué)，不必看不起 “調(diào)包俠”。

2. 工業(yè)界可以應(yīng)用的模型是很有限的，可調(diào)的參數(shù)也是有限的。

工業(yè)界選擇模型非常看重可解釋性，效率，以及和整個(gè)系統(tǒng)的整合能力。舉例，在我的工作中，大部分時(shí)間都在使用 Regression 和 Decision Tree 相關(guān)的算法（如 Random Forests）。是因?yàn)檫@兩個(gè)算法最好么？不，恰恰是因?yàn)檫@兩個(gè)算法穩(wěn)定及高效，而且容易解釋。對(duì)于這樣的模型，你即使數(shù)學(xué)能力很強(qiáng)，能調(diào)整的參數(shù)也是有限的。根據(jù)網(wǎng)上的例子和經(jīng)驗(yàn)，大量的工程師可以在數(shù)學(xué)基礎(chǔ)稍弱的情況下做到很好的效果。

3. 數(shù)學(xué) / 統(tǒng)計(jì)知識(shí)已經(jīng)成了既得利益者刻意為外來(lái)者建立的一道壁壘。

不知道大家有多少人是從事過(guò) ML 研究的。我個(gè)人的觀察是做出成績(jī)的 ML 研究人員是有限的，科班出身的 researcher 更是遠(yuǎn)遠(yuǎn)無(wú)法工業(yè)界的空缺。所以大家沒(méi)有必要擔(dān)心會(huì)被轉(zhuǎn)行者搶了飯碗，也沒(méi)有必要刻意鼓吹一定要懂矩陣，凸優(yōu)化，等數(shù)學(xué)知識(shí)才配做機(jī)器學(xué)習(xí)。大家都是出來(lái)賣(mài)的，不必互相為難。說(shuō)來(lái)慚愧，在工作中我常常跟老板說(shuō)這個(gè)人不能用，你要用我這種科班出身的人，但我內(nèi)心是不贊同的。

每當(dāng)我看到知乎上有人問(wèn)機(jī)器學(xué)習(xí)怎么入門(mén)，結(jié)果大家立馬推薦第一本就看 PRML 和 Statitical Learning 以及一大堆公開(kāi)課和數(shù)學(xué)課的時(shí)候，我的內(nèi)心是崩潰的。各位答主的目標(biāo)是把所有人都嚇回去還是秀一下優(yōu)越感？

4. 理論模型和實(shí)際應(yīng)用分的是兩塊不同的蛋糕。

承接第 2,3 點(diǎn)，做理論研究的發(fā)力于突破，提出新的模型或者優(yōu)化方法，做應(yīng)用的致力于把模型應(yīng)用于數(shù)據(jù)上，攫取商業(yè)價(jià)值。這兩者不存在利益沖突，做理論的人有自帶正統(tǒng)光環(huán)的優(yōu)勢(shì)，所以更該顯得大度一些。只有 “調(diào)包” 的人越來(lái)越多，這個(gè)行業(yè)才會(huì)繁榮，因?yàn)樽C明技術(shù)落了地，可以帶來(lái)實(shí)際價(jià)值。

5. 行業(yè)的發(fā)展趨勢(shì)是降低工具的使用難度，這讓我們不必反復(fù)造輪子。

亞馬、遜谷歌、微軟等各大平臺(tái)都開(kāi)放了他們的機(jī)器學(xué)習(xí)工具。以前人們還需要自己寫(xiě)各種模型，好一些的調(diào)一下 sklearn，但現(xiàn)在 Azure ML Studio 已經(jīng)方便到零代碼了。年初的時(shí)候，我試了一下 ML studio，簡(jiǎn)直方便的可怕，完全是圖形拖動(dòng)連接就可以建立模型，那一刻我仿似看到了自己即將失業(yè)。

6. 文藝一點(diǎn)說(shuō)，我們需要更包容的心態(tài)，切勿文人相輕。

想要接觸了解一門(mén)學(xué)科，應(yīng)該先有興趣，才有探索的積極性。就像我們第一次看到 Hello word 出現(xiàn)的樣子，很多剛?cè)胄械娜说谝淮慰吹綑C(jī)器學(xué)習(xí)能解決實(shí)際問(wèn)題時(shí)，會(huì)產(chǎn)生濃厚的興趣。

我怕的就是所謂的圈內(nèi)人都說(shuō)你必須要會(huì)矩陣分解，必須要會(huì)用 trace 算導(dǎo)數(shù)，必須會(huì)優(yōu)化，才能開(kāi)始學(xué)習(xí)機(jī)器學(xué)習(xí)。這個(gè)周期太長(zhǎng)，很多人連開(kāi)始的勇氣都沒(méi)有~ 我覺(jué)得不管怎么樣，要先動(dòng)手做起來(lái)，發(fā)現(xiàn)自己的不足，再去補(bǔ)充需要的東西。

既然學(xué)術(shù)是自由的，我們就打開(kāi)大門(mén)，歡迎大家都進(jìn)來(lái)坐坐。如果他 / 她不喜歡，歡迎到隔壁串門(mén)。但我們不要給自己家門(mén)壘了高高的臺(tái)階，說(shuō)閑人勿進(jìn)。久而久之，難免門(mén)可羅雀。

綜上，我覺(jué)得應(yīng)用機(jī)器學(xué)習(xí)模型和技巧既不能完全不懂?dāng)?shù)學(xué)，兩眼一抹黑，也不該要求每個(gè)從業(yè)者都要精通各種數(shù)學(xué)理論。模型應(yīng)用者要長(zhǎng)存對(duì)理論的敬畏之心，不要總想搞個(gè)大新聞?wù)f “機(jī)器學(xué)習(xí)也不過(guò)如此”，但做理論的也不必覺(jué)得高人一等，別人都是二等公民。

好了，不多說(shuō)了，我去調(diào)包了 (滑稽)

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。