Deecamp考试给我的启发

Decamp考完了，在考试中总有一些值得学习的东西。主考官对这次比赛题目的难度介绍如下：

就大家关心的问题，考什么，怎么考？主考官透露说“题目都是轻松、有趣、强调动手能力和开放思维的问题。具备基本数学技能，基本编程能力，对技术有强烈的好奇心，还懂得活学活用的同学，都能得高分。”DeeCamp是一个注重动手能力的AI实战营，DeeCamp的在线笔试也将和你参与过的考试有些不一样，非常期待各位同学用自己的智慧向我们呈现光芒四射的答卷。

这里面有一些关键词非常值得关注：
关键词：动手能力（实战经验），开放思维（脑洞大开的题目），数学技能（有一定数学功底），编程能力（有一定编程功底），技术好奇（会一些常用框架），活学活用（知道迁移）

再来看最后的题目：

这道题考察机器学习中的激活函数，属于基础知识，学过吴恩达老师深度学习课程的同学都应该知道。这属于机器学习基础知识（激活函数）

这道题考察深度学习加速芯片，真正考虑了芯片在深度学习工程中的同学能够了解，这体现了主考官对于学生是否用过芯片进行深度学习工程的检测。同学可以通过现在大量关于深度学习的介绍专栏、教学中的芯片方面有所了解。这属于机器学习基础知识（芯片选择）

 

这道题考察了机器学习算法，包括：随机梯度下降算法、K-均值聚类算法、softmax算法；以及对于监督学习和无监督学习的理解。对于用过机器学习，并且懂得、确实做过优化算法的同学来说更有优势。这属于机器学习基础知识（学习算法）

这道题考察了在应用深度神经网络中的细节问题。我们可能很多时候关注着理论知识，但却很少关注一些真实实践方面的知识。这道题属于那些确实做过机器学习，留意过这当中出现的细节问题的同学。这属于机器学习应用知识（部署GPU）

 

这道题虽然不是直接考察深度学习知识，但与机器学习息息相关的计算机算法知识。我们在训练神经网络和预测时会对模型进行预处理或其他操作，这其中应用到的计算机算法知识和相关的机器学习方面的知识也相当重要。不要成为只会深度学习算法而不会其他计算机基础算法的人才。这属于计算机算法知识（优先搜索算法）

这道题同样考察计算机算法知识，猜测是蒙特卡洛算法，近似求解一个很复杂的公式。这也属于计算机算法知识（蒙特卡罗算法）

这道题考察计算机数据结构知识，同样属于基本的计算机数据结构知识（二叉树）

这道题考察数学知识——奇异值分解，属于机器学习中常用的数学知识。这道题可以使用计算机的方法进行求解。因此属于通过计算机编程进行数学运算的考察。属于 计算机编程求解数学问题（奇异值分解）

这道题考察数学知识——余弦相似性，也属于在语义分析中常用的数学知识。这道题可以使用计算机的方法进行求解。因此属于通过计算机编程进行数学运算的考察。属于计算机编程求解数学问题（余弦相似性）

 

猜测这道题考察 计算机中的算法知识，求解数学问题。

这道题考察直接使用python进行 编程方面 的知识，很有创意。

这里要求学生把解题思路写出来，以便能够再去查看学生的思路，筛选出一批同学。

通过对上述题目的分析，可以了解到这次deecamp考试重点考察了学生的：

1、 机器学习知识（基础、算法、芯片、使用细节，分值不重）；

2、 计算机基础知识（算法、数据结构、编程、可能还有些其他知识，分值中等）；

3、 数学问题（都是可以用计算机编程求解的问题，分值中等）；

4、创意编程问题（会提出一个很有创意的问题要求求解，这里考察编程能力，偏向于“对技术有强烈的好奇心，还能够活学活用的同学”，分值最高）。

 

可以从这次考试发现，deecamp确实最终实现了自己当初说的话，要求的学员是：有动手能力，开放思维，具有一定编程基础和数学基础，对技术有强烈的好奇心，并能够活学活用。 Deecamp曾自己说过，录取的同学需要在一个月内对AI基础简单学习过即能进行项目开发，这也就意味着每个学员一定要拥有一定的数学能力和编程能力，这次竞赛还体现出了一些机器学习的基础能力和快速学习快速解决问题的能力。这也可以从侧面说明了一个问题：如何能够快速进入AI领域并进行实战开发？答案是：有着良好的与机器学习相关的数学基础和计算机基础（包括算法、数据结构、组成等），同时能够快速学习有关机器学习方面的知识，并可以对新技术现学现用，用强大的编程能力快速解决实际问题。

而现在的我们到底缺乏些什么方面的知识呢？对于我来讲，我是哈工大电信专业的学生，之前可能觉得仅仅学习了有关机器学习、深度学习方面的知识就足够了，但现在不一定了。因为能够更好地学习AI实际上要注重工程能力，这关乎于学生的计算机水平（包括基本算法、数据结构、编程能力等等）和快速学习新技术，编程解决实际问题的能力，因为AI中的各种技术说到底还是计算机算法，最终是要同其他算法一起合作通过编程解决实际问题的。学习AI方面的知识不存在一个固定套路，不是说上了几节课，做过几次练习或特定领域实习就足够解决的。还需要在学习了计算机基础和数学基础上再去做更多之前没有遇到过的相关机器学习方面的实践，比如二维码识别，比如摩尔电码的神经网络识别，比如图像加密技术的快速学习…… 因为既然机器学习算法能够进入到很多不同的领域，就要求AI工程方面的学生能够快速学习这些领域的知识，并用强大的编程能力和机器学习算法来求解问题，这种能力对于目前的我来说是比较欠缺的。虽然现在学术界对AI人才的评定标准可能是发了多少篇论文，有过多少些竞赛的名次，我们可能更多关注在一些特定领域上的更多耕耘，但我希望自己能够在准备这些比赛或论文的过程中享受技术海洋的畅游，不断饥渴地学习各种与机器学习相关地知识，这方面的道路永无止境。