曾經(jīng)也只是一個(gè)只懂 ACM 競賽相關(guān)算法的普通程序員，誤打誤撞接觸到了數(shù)據(jù)挖掘，之后才開始系統(tǒng)地了解機(jī)器學(xué)習(xí)相關(guān)的知識，如今已經(jīng)基本走上了正軌，開始了走向 Data Scientist 的征途。但是最高贊的一篇回答居然是關(guān)于 Deep Learning 的，這感覺就想是有人問我這山地車好高級，能不能教我怎么換擋，我告訴他說，這車太low了，我教你開飛機(jī)吧。我想即使目前開飛機(jī)（Deep Learning）的門檻一再降低，如果你沒有一個(gè)優(yōu)秀的基礎(chǔ)，即使是老司機(jī)也是容易翻車的。 簡單認(rèn)真回答一下，首先作為一個(gè)普通程序員，C++ / Java / Python 這樣的語言技能棧應(yīng)該是必不可少的，其中 Python 需要重點(diǎn)關(guān)注爬蟲、數(shù)值計(jì)算、數(shù)據(jù)可視化方面的應(yīng)用，主要是：

• 數(shù)學(xué)基礎(chǔ)
• 線性代數(shù)（矩陣、特征值、特征向量、秩）
• 微積分（極限、導(dǎo)數(shù)、拉格朗日中值、泰勒級數(shù)展開、傅里葉變換）

• 統(tǒng)計(jì)學(xué)基礎(chǔ)
• 相關(guān)性分析（相關(guān)系數(shù)r、皮爾遜相關(guān)系數(shù)、余弦相似度、互信息）
• 回歸分析（線性回歸、L1/L2正則、PCA/LDA降維）
• 聚類分析（KNN、K-Means）
• 分布（正態(tài)分布、t分布、密度函數(shù)）
• 指標(biāo)（協(xié)方差、ROC曲線、AUC、變異系數(shù)、F1-Score）
• 顯著性檢驗(yàn)（t檢驗(yàn)、z檢驗(yàn)、卡方檢驗(yàn)）
• A/B測試

• 機(jī)器學(xué)習(xí)基礎(chǔ)
• 關(guān)聯(lián)規(guī)則（Apriori、FP-Growth）
• 回歸（Linear Regression、Logistics Regression）
• 決策樹（ID3、C4.5、CART、GBDT、RandomForest）
• SVM（各種核函數(shù)）
• 推薦（User-CF、Item-CF）

推薦閱讀：《集體智慧編程》、Andrew Ng — Machine Learning Coursera from Stanford

此時(shí)的你或許已經(jīng)有一塊可以用的敲門磚了，但離工業(yè)界實(shí)際應(yīng)用還有比較大的距離，主要差距就在于 Feature Engineering，這也是我在面試考察有經(jīng)驗(yàn)的人面前比較注重的點(diǎn)。這一塊中有一些比較基礎(chǔ)的知識點(diǎn)，簡單羅列如下：

可用性評估：獲取難度、覆蓋率、準(zhǔn)確率

特征清洗：清洗異常樣本

采樣：數(shù)據(jù)不均衡、樣本權(quán)重

單個(gè)特征：無量綱化(標(biāo)準(zhǔn)化、歸一化)、二值化、離散化、缺失值（均值）、啞編碼（一個(gè)定性特征擴(kuò)展為N個(gè)定量特征）

數(shù)據(jù)變換：log、指數(shù)、Box-Cox 降維：主成分分析PCA、線性判別分析LDA、SVD分解

特征選擇：Filter（相關(guān)系數(shù)、卡方檢驗(yàn)）、Wrapper（AUC、設(shè)計(jì)評價(jià)函數(shù)A*、Embedded（L1-Lasso、L2-Ridge、決策樹、DL）

衍生變量：組合特征 特征監(jiān)控：監(jiān)控重要特征，fa特征質(zhì)量下降放一張公司內(nèi)部算法培訓(xùn)關(guān)于特征工程的 PPT，僅供學(xué)習(xí)參考：

再往后你就可以在技能樹上點(diǎn)幾個(gè)酷炫的了：

提升

• Adaboost
• 加法模型
• xgboost

SVM

• 軟間隔
• 損失函數(shù)
• 核函數(shù)
• SMO算法
• libSVM

聚類

• K-Means 并查集
• K-Medoids
• 聚譜類SC

EM算法

• Jensen不等式
• 混合高斯分布
• pLSA

主題模型

• 共軛先驗(yàn)分布
• 貝葉斯
• 停止詞和高頻詞
• TF-IDF

詞向量

• word2vec
• n-gram

HMM

• 前向/后向算法
• Baum-Welch
• Viterbi
• 中文分詞

數(shù)據(jù)計(jì)算平臺

• Spark
• Caffe
• Tensorflow

可以看到，不管你是用 TensorFlow 還是用 Caffe 還是用 MXNET 等等一系列平臺來做高大上的 Deep Learning，在我看來都是次要的。想要在這個(gè)行業(yè)長久地活下去，內(nèi)功的修煉要比外功重要得多，不然會活得很累，也很難獲得一個(gè)優(yōu)秀的晉升空間。

最后，關(guān)注你所在行業(yè)的最新 paper，對最近的算法理論體系發(fā)展有一個(gè)大致印象，譬如計(jì)算廣告領(lǐng)域的幾大經(jīng)典問題：

目的

本文的目的是給出一個(gè)簡單的，平滑的，易于實(shí)現(xiàn)的學(xué)習(xí)方法，幫助 “普通” 程序員踏入AI領(lǐng)域這個(gè)門。這里，我對普通程序員的定義是：擁有大學(xué)本科知識；平時(shí)工作較忙；自己能獲取的數(shù)據(jù)有限。因此，本文更像是一篇 “from the scratch” 的AI入門教程。

AI領(lǐng)域簡介

AI，也就是人工智能，并不僅僅包括機(jī)器學(xué)習(xí)。曾經(jīng)，符號與邏輯被認(rèn)為是人工智能實(shí)現(xiàn)的關(guān)鍵，而如今則是基于統(tǒng)計(jì)的機(jī)器學(xué)習(xí)占據(jù)了主導(dǎo)地位。最近火熱的深度學(xué)習(xí)正是機(jī)器學(xué)習(xí)中的一個(gè)子項(xiàng)。目前可以說，學(xué)習(xí)AI主要的是學(xué)習(xí)機(jī)器學(xué)習(xí)。但是，人工智能并不等同于機(jī)器學(xué)習(xí)，這點(diǎn)在進(jìn)入這個(gè)領(lǐng)域時(shí)一定要認(rèn)識清楚。關(guān)于AI領(lǐng)域的發(fā)展歷史介紹推薦看周老師寫的《機(jī)器學(xué)習(xí)簡介》。下面一個(gè)問題是：AI的門好跨么？其實(shí)很不好跨。我們以機(jī)器學(xué)習(xí)為例。在學(xué)習(xí)過程中，你會面對大量復(fù)雜的公式，在實(shí)際項(xiàng)目中會面對數(shù)據(jù)的缺乏，以及艱辛的調(diào)參等。如果僅僅是因?yàn)橛X得這個(gè)方向未來會“火”的話，那么這些困難會容易讓人放棄。考慮到普通程序員的特點(diǎn)，而要學(xué)習(xí)如此困難的學(xué)科，是否就是沒有門路的？答案是否定的。只要制定合適的學(xué)習(xí)方法即可。

學(xué)習(xí)方法

學(xué)習(xí)方法的設(shè)定簡單說就是回答以下幾個(gè)問題：我要學(xué)的是什么？我怎樣學(xué)習(xí)？我如何去學(xué)習(xí)？這三個(gè)問題概括說就是：學(xué)習(xí)目標(biāo)，學(xué)習(xí)方針與學(xué)習(xí)計(jì)劃。學(xué)習(xí)目標(biāo)比較清楚，就是踏入AI領(lǐng)域這個(gè)門。這個(gè)目標(biāo)不大，因此實(shí)現(xiàn)起來也較為容易。“過大的目標(biāo)時(shí)就是為了你日后放棄它時(shí)找到了足夠的理由”。學(xué)習(xí)方針可以總結(jié)為 “興趣為先，踐學(xué)結(jié)合”。簡單說就是先培養(yǎng)興趣，然后學(xué)習(xí)中把實(shí)踐穿插進(jìn)來，螺旋式提高。這種方式學(xué)習(xí)效果好，而且不容易讓人放棄。有了學(xué)習(xí)方針以后，就可以制定學(xué)習(xí)計(jì)劃，也稱為學(xué)習(xí)路線。下面就是學(xué)習(xí)路線的介紹。

學(xué)習(xí)路線

我推薦的學(xué)習(xí)路線是這樣的，如下圖：

圖1 AI領(lǐng)域?qū)W習(xí)路線圖

這個(gè)學(xué)習(xí)路線是這樣設(shè)計(jì)的：首先了解這個(gè)領(lǐng)域，建立起全面的視野，培養(yǎng)起充足的興趣，然后開始學(xué)習(xí)機(jī)器學(xué)習(xí)的基礎(chǔ)，這里選擇一門由淺入深的課程來學(xué)習(xí)，課程最好有足夠的實(shí)驗(yàn)?zāi)軌蜻M(jìn)行實(shí)戰(zhàn)。基礎(chǔ)打下后，對機(jī)器學(xué)習(xí)已經(jīng)有了充足的了解，可以用機(jī)器學(xué)習(xí)來解決一個(gè)實(shí)際的問題。這時(shí)還是可以把機(jī)器學(xué)習(xí)方法當(dāng)作一個(gè)黑盒子來處理的。實(shí)戰(zhàn)經(jīng)驗(yàn)積累以后，可以考慮繼續(xù)進(jìn)行學(xué)習(xí)。這時(shí)候有兩個(gè)選擇，深度學(xué)習(xí)或者繼續(xù)機(jī)器學(xué)習(xí)。深度學(xué)習(xí)是目前最火熱的機(jī)器學(xué)習(xí)方向，其中一些方法已經(jīng)跟傳統(tǒng)的機(jī)器學(xué)習(xí)不太一樣，因此可以單獨(dú)學(xué)習(xí)。除了深度學(xué)習(xí)以外，機(jī)器學(xué)習(xí)還包括統(tǒng)計(jì)學(xué)習(xí)，集成學(xué)習(xí)等實(shí)用方法。如果條件足夠，可以同時(shí)學(xué)習(xí)兩者，一些規(guī)律對兩者是共通的。學(xué)習(xí)完后，你已經(jīng)具備了較強(qiáng)的知識儲備，可以進(jìn)入較難的實(shí)戰(zhàn)。這時(shí)候有兩個(gè)選擇，工業(yè)界的可以選擇看開源項(xiàng)目，以改代碼為目的來讀代碼；學(xué)術(shù)界的可以看特定領(lǐng)域的論文，為解決問題而想發(fā)論文。無論哪者，都需要知識過硬，以及較強(qiáng)的編碼能力，因此很能考察和鍛煉水平。經(jīng)過這個(gè)階段以后，可以說是踏入AI領(lǐng)域的門了。“師傅領(lǐng)進(jìn)門，修行在個(gè)人”。之后的路就要自己走了。

下面是關(guān)于每個(gè)階段的具體介紹：

領(lǐng)域了解

在學(xué)習(xí)任何一門知識之前，首先第一步就是了解這個(gè)知識是什么？它能做什么事？它的價(jià)值在什么地方？如果不理解這些的話，那么學(xué)習(xí)本身就是一個(gè)沒有方向的舟，不知道駛向何處，也極易有沉船的風(fēng)險(xiǎn)。了解這些問題后，你才能培養(yǎng)出興趣，興趣是最好的引路人，學(xué)習(xí)的動(dòng)力與持久力才能讓你應(yīng)付接下來的若干個(gè)階段。關(guān)于機(jī)器學(xué)習(xí)是什么，能做什么，它與深度學(xué)習(xí)以及人工智能的關(guān)系

知識準(zhǔn)備

如果你離校過久，或者覺得基礎(chǔ)不牢，最好事先做一下準(zhǔn)備復(fù)習(xí)工作。“工欲善其事，必先利其器”。以下的準(zhǔn)備工作不多，但足以應(yīng)付后面階段的學(xué)習(xí)。

• 數(shù)學(xué)：復(fù)習(xí)以下基本知識。線性代數(shù)：矩陣乘法；高數(shù)：求導(dǎo)；概率論：條件與后驗(yàn)概率。其他的一些知識可以在后面的學(xué)習(xí)的過程中按需再補(bǔ)；
• 英文：常備一個(gè)在線英文詞典，例如愛詞霸，能夠不吃力的看一些英文的資料網(wǎng)頁；
• FQ：可以隨時(shí)隨地上Google，這是一個(gè)很重要的工具。不是說百度查的不能看，而是很多情況下Google搜出來的資料比百度搜的幾十頁的資料還管用，尤其是在查英文關(guān)鍵字時(shí)。節(jié)省時(shí)間可是很重要的學(xué)習(xí)效率提升；

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)的第一門課程首推Andrew Ng的機(jī)器學(xué)習(xí)。這門課程有以下特點(diǎn)：難度適中，同時(shí)有足夠的實(shí)戰(zhàn)例子，非常適合第一次學(xué)習(xí)的人。cs229 這門課程我這里不推薦，為什么，原因有以下：

• 時(shí)間：cs229 的時(shí)間太早，一些知識已經(jīng)跟不上當(dāng)今的發(fā)展，目前最為火熱的神經(jīng)網(wǎng)絡(luò)一筆帶過。而Cousera上神經(jīng)網(wǎng)絡(luò)可是用了兩個(gè)課時(shí)去講的！而且非常詳細(xì)；
• 教學(xué)：Ng在cs229 時(shí)候的教學(xué)稍顯青澀，可能是面對網(wǎng)絡(luò)教學(xué)的原因。有很多問題其實(shí)他都沒有講清楚，而且下面的人的提問其實(shí)也很煩躁，你往往不關(guān)心那些人的問題。這點(diǎn)在Coursera上就明顯得到了改善，你會發(fā)現(xiàn)Ng的教學(xué)水平大幅度改善了，他會對你循循善誘，推心置腹，由淺入深的教學(xué)，在碰到你不明白的單詞術(shù)語時(shí)也會叫你不要擔(dān)心，更重要的，推導(dǎo)與圖表不要太完善，非常細(xì)致清晰，這點(diǎn)真是強(qiáng)力推薦；
• 字幕：cs229 的字幕質(zhì)量比Coursera上的差了一截。Coursera上中文字幕翻譯經(jīng)過了多人把關(guān)，質(zhì)量很有保證；
• 作業(yè)：cs229 沒有作業(yè)，雖然你可以做一些，但不會有人看。這點(diǎn)遠(yuǎn)不如Coursera上每周有deadline的那種作業(yè)，而且每期作業(yè)提交上去都有打分。更重要的是，每期作業(yè)都有實(shí)際的例子，讓你手把手練習(xí)，而且能看到自己的成果，成就感滿滿！

實(shí)踐做項(xiàng)目

學(xué)習(xí)完了基礎(chǔ)課程，你對機(jī)器學(xué)習(xí)就有了初步了解。現(xiàn)在使用它們是沒有問題的，你可以把機(jī)器學(xué)習(xí)算法當(dāng)作黑盒子，放進(jìn)去數(shù)據(jù)，就會有結(jié)果。在實(shí)戰(zhàn)中你更需要去關(guān)心如何獲取數(shù)據(jù)，以及怎么調(diào)參等。如果有時(shí)間，自己動(dòng)手做一個(gè)簡單的實(shí)踐項(xiàng)目是最好的。這里需要選擇一個(gè)應(yīng)用方向，是圖像（計(jì)算機(jī)視覺），音頻（語音識別），還是文本（自然語言處理）。這里推薦選擇圖像領(lǐng)域，這里面的開源項(xiàng)目較多，入門也較簡單，可以使用OpenCV做開發(fā)，里面已經(jīng)實(shí)現(xiàn)好了神經(jīng)網(wǎng)絡(luò)，SVM等機(jī)器學(xué)習(xí)算法。項(xiàng)目做好后，可以開源到到 Github 上面，然后不斷完善它。實(shí)戰(zhàn)項(xiàng)目做完后，你可以繼續(xù)進(jìn)一步深入學(xué)習(xí)，這時(shí)候有兩個(gè)選擇，深度學(xué)習(xí)和繼續(xù)機(jī)器學(xué)習(xí)；

深度學(xué)習(xí)

深度學(xué)習(xí)：深度學(xué)習(xí)是目前最火熱的研究方向。有以下特點(diǎn)：知識更新快，較為零碎，沒有系統(tǒng)講解的書。因此學(xué)習(xí)的資源也相對零散，下面是一些資源介紹。其中不推薦的部分并不代表不好，而是在這個(gè)初學(xué)階段不合適：

• 推薦，UFLDL： 非常好的DL基礎(chǔ)教程，也是Andrew Ng寫的。有很詳盡的推導(dǎo)，有翻譯，且翻譯質(zhì)量很高；
• 推薦，Deep learning (paper)：2015年Nature上的論文，由三位深度學(xué)習(xí)界的大牛所寫，讀完全篇論文，給人高屋建瓴，一覽眾山小的感覺，強(qiáng)烈推薦。如果只能讀一篇論文了解深度學(xué)習(xí)，我推薦此篇。這篇論文有同名的中文翻譯；
• 推薦，Neural networks and deep learning：這本書的作者非常擅長以淺顯的語言表達(dá)深刻的道理，雖然沒有翻譯，但是閱讀并不困難；
• 推薦，Recurrent Neural Networks： 結(jié)合一個(gè)實(shí)際案例告訴你RNN是什么，整篇教程學(xué)完以后，會讓你對RNN如何產(chǎn)生作用的有很清晰的認(rèn)識，而這個(gè)效果，甚至是讀幾篇相關(guān)論文所沒有的；
• 不推薦，Neural Networks for Machine Learning - University of Toronto | Coursera：深度學(xué)習(xí)創(chuàng)始人教的課，最大的問題是太難，而且老先生的吐字有時(shí)不是很標(biāo)準(zhǔn)；
• 不推薦，Deep Learning (book)：同樣也是由深度學(xué)習(xí)大牛所寫的書，但感覺就像是第二作者，也就是他的學(xué)生所寫的。很多內(nèi)容都講了，但是感覺也沒講出什么內(nèi)容來，只是告訴你來自那篇論文，這樣的話可能直接閱讀論文更合適。
• 不推薦，cs231n：李菲菲的課程，很有名，專門講CNN。但是這門課程有一個(gè)最大的問題，就是沒有字幕，雖然有youtube的自動(dòng)翻譯字幕，但有還不如沒有。

繼續(xù)機(jī)器學(xué)習(xí)

深度學(xué)習(xí)未必就是未來的一定主流，至少一些大牛是這么認(rèn)為的。傳統(tǒng)的機(jī)器學(xué)習(xí)有如下特點(diǎn)，知識系統(tǒng)化，有相對經(jīng)典的書。其中統(tǒng)計(jì)學(xué)習(xí)（代表SVM）與集成學(xué)習(xí)（代表adaboost）是在實(shí)踐中使用非常多的技術(shù)。下面是相關(guān)資源：

• 推薦，機(jī)器學(xué)習(xí)(周志華)：如果是在以前，機(jī)器學(xué)習(xí)方面的經(jīng)典教材首推PRML，但現(xiàn)在周老師的書出來以后，就不再是這樣了。首先推薦讀周老師的書。這本書有一個(gè)特點(diǎn)，那就是再難的道理也能用淺顯精煉的語言表達(dá)出來。正如周老師的名言：“體現(xiàn)你水平的地方是把難的東西講容易了，而不是把容易的東西講難，想把一個(gè)東西講難實(shí)在太簡單”；
• 不推薦，Pattern Recognition And Machine Learning：當(dāng)前階段不推薦。PRML是以貝葉斯的觀點(diǎn)看待很多機(jī)器學(xué)習(xí)方法，這也是它的一大特色。但對于初學(xué)者來說，這種觀點(diǎn)其實(shí)并無必要。而且此書沒有中文翻譯，當(dāng)前階段硬啃很容易放棄；

開源項(xiàng)目　

當(dāng)知識儲備較為充足時(shí)，學(xué)習(xí)可以再次轉(zhuǎn)入實(shí)踐階段。這時(shí)候的實(shí)踐仍然可以分兩步走，學(xué)習(xí)經(jīng)典的開源項(xiàng)目或者發(fā)表高質(zhì)量的論文。開源項(xiàng)目的學(xué)習(xí)應(yīng)該以盡量以優(yōu)化為目的，單純?yōu)樽x代碼而學(xué)習(xí)效果往往不太好。好的開源項(xiàng)目都可以在Github 里搜索。這里以深度學(xué)習(xí)為例。深度學(xué)習(xí)的開源優(yōu)秀庫有很多，例如torch，theano等等，這里列舉其中的兩個(gè)：

• 推薦，DeepLearnToolbox：較早的一個(gè)深度學(xué)習(xí)庫，用matlab語言撰寫，較為適合從剛學(xué)習(xí)的課程轉(zhuǎn)入學(xué)習(xí)。遺憾的是作者不再維護(hù)它了；
• 推薦，tensorflow：Google的開源庫，時(shí)至今日，已經(jīng)有40000多個(gè)star，非常驚人，支持移動(dòng)設(shè)備；

會議論文　

較好的課程都會推薦你一些論文。一些著名的技術(shù)與方法往往誕生于一些重要的會議。因此，看往年的會議論文是深入學(xué)習(xí)的方法。在這時(shí)，一些論文中的內(nèi)容會驅(qū)使你學(xué)習(xí)數(shù)學(xué)中你不擅長的部分。有時(shí)候你會覺得數(shù)學(xué)知識儲備不夠，因此往往需要學(xué)習(xí)一些輔助課程。當(dāng)你看完足夠的論文以后，在這個(gè)階段，如果是在校學(xué)生，可以選擇某個(gè)課題，以發(fā)論文為目的來學(xué)習(xí)研究。一般來說，論文是工作的產(chǎn)物。有時(shí)候一篇基于實(shí)驗(yàn)的論文往往需要你寫代碼或者基于開源項(xiàng)目。因此開源項(xiàng)目的學(xué)習(xí)與會議論文的工作兩者之間是有相關(guān)的。兩者可以同時(shí)進(jìn)行學(xué)習(xí)。關(guān)于在哪里看論文，可以看一下CCF推薦排名，了解一下這個(gè)領(lǐng)域里有哪些優(yōu)秀的會議。下面介紹兩個(gè)圖像與機(jī)器學(xué)習(xí)領(lǐng)域的著名頂級會議：

• CVPR：與另兩個(gè)會議ICCV和ECCV合稱計(jì)算機(jī)視覺領(lǐng)域的三大會，注意會議每年的主頁是變動(dòng)的，因此搜索需要加上年份；
• Conference on Neural Information Processing Systems：簡稱NIPS，許多重要的工作發(fā)表在這上面，例如關(guān)于CNN的一篇重要論文就是發(fā)表在上面；

自由學(xué)習(xí)　

自由學(xué)習(xí)：到這里了，可以說是進(jìn)入這個(gè)門了。下面可以依據(jù)興趣來自由學(xué)習(xí)。前階段不推薦的學(xué)習(xí)資源也可隨意學(xué)習(xí)，下面是點(diǎn)評：

• cs229 ：Ng寫的講義很不錯(cuò)，其中關(guān)于SVM的推導(dǎo)部分很清晰，想學(xué)習(xí)SVM推薦；
• Neural Networks for Machine Learning：大牛的視角跟人就是不一樣，看看Hinton對神經(jīng)網(wǎng)絡(luò)是怎么看的，往往會讓你有種原來如此的感悟。其實(shí)看這門課程也等同于讀論文，因?yàn)閹缀趺抗?jié)課的參考資料里都有論文要你讀；
• CS231n: Convolutional Neural Networks for Visual Recognition：最新的知識，還有詳細(xì)的作業(yè)。國內(nèi)應(yīng)該有團(tuán)隊(duì)對字幕進(jìn)行了翻譯，可以找找；
• PRML：作為一門經(jīng)典的機(jī)器學(xué)習(xí)書籍，是很有閱讀必要的，會讓你對機(jī)器學(xué)習(xí)擁有一個(gè)其他的觀察視角；

總結(jié)

本文的目的是幫助對AI領(lǐng)域了解不深，但又想進(jìn)入的同學(xué)踏入這個(gè)門。這里只說踏入，是因?yàn)檫@個(gè)領(lǐng)域的專精實(shí)在非常困難，需要數(shù)年的積累與努力。在進(jìn)行領(lǐng)域?qū)W習(xí)前，充分認(rèn)識自己的特點(diǎn)，制定合適的學(xué)習(xí)方法是十分重要的。首先得對這個(gè)領(lǐng)域進(jìn)行充分了解，培養(yǎng)興趣。在學(xué)習(xí)時(shí)，保持著循序漸進(jìn)的學(xué)習(xí)方針，不要猛進(jìn)的學(xué)習(xí)過難資源；結(jié)合著學(xué)習(xí)與實(shí)踐相輔的策略，不要只讀只看，實(shí)際動(dòng)手才有成就感。學(xué)習(xí)某個(gè)資源時(shí)要有充分的目的，不是為了學(xué)開源項(xiàng)目而看代碼，而是為了寫開源項(xiàng)目而看；不是為了發(fā)論文而寫論文，而是為了做事情而寫論文。如果一個(gè)學(xué)習(xí)資源對你過難，并不代表一定是你的問題，可能是學(xué)習(xí)資源的演講或撰寫人的問題。能把難的問題講簡單的人才是真正有水平的人。所以，一定要學(xué)習(xí)優(yōu)質(zhì)資源，而不是不分青紅皂白的學(xué)習(xí)。最后，牢記以興趣來學(xué)習(xí)。學(xué)習(xí)的時(shí)間很長，過程也很艱難，而只有興趣才是讓你持之以恒，攻克難關(guān)的最佳助力。