学好数理化，走遍天下都不怕

1、数学给我带来的心理阴影

      我上高中时老师就教导“学好数理化，走遍天下都不怕！”，那时候数学学得好，就能够被老师表扬，被女生崇拜，被其他男生的家长喜爱。

      而我是极度厌恶数学的，因为我的数学很差，数学思维也很差，而且更悲催的是我周边的几个关系好的同学又都是数学高手，这更增加了我的自卑感。我记得从解析几何到线性代数，再到微积分我被一路暴击。后来工作了，终于不用学数学、考数学了。后来我找了一份以体力为主，智力为辅的工作，远离数学后我的自卑感也慢慢得到缓解。

      多年后，我回忆那几个数学高手的同学，我总结了一下“数学好”的三层境界

• 第一层“做题高手型”

       同学A，老师曾经说，如果没有文科他应该可以考上顶级学校。他能做到各种数学题都只是送分题，后来他上大学就靠给人补习数学题就能收入颇丰。现在凭借着强悍的数学技能，他这15年一直是“不仅仅是500强公司”里最牛的代码大师。

• 第二层“活学活用型”

       同学B，这位老大不仅仅数学题做得好，还能把对数学理解的优势发挥到工作生活各个方面。毕业后他用深厚的数学底子死磕量子力学，潜心中国半导体事业，立志做出中国的量子芯片。另外，他在我们朋友圈中一直被封为股神，因为他总能计算出股票下跌到多少“ XXX股跌到28.99可以买入”，我问他怎么知道的？他一本正经的说“当然是算出来的啊”，听到这个我的敬佩之情就油然而生。但是他有没有赚到钱我一直不知道，反正我每次问他借钱他都说手头紧。

• 第三层“意识流型”

      同学C，他在高中时就觉得高中就是浪费时间，这些知识太弱了。我在为数学题抓头发时，他走过来说求个导不就行了么，然后就飘走了。那时候有本叫《苏大》的红色封面的数学习题集，我那时要完成一页习题要花整个周日的时间，一页上面写的密密麻麻的。而他因为看小说耽误了写作业，交作业前，他就用铅笔写了几个字“由柯西不等式得”，基本每题都是这样，然后就交了。我当时想“太好了，老班削死你”，但是，老班却深沉的表扬C同学“他对数学的理解已经进入了意识流状态，天才”。后来我发现，他副业是数学竞赛，主业是给女生写小说，小说有村上春树代笔的感觉，20多年过去了，我还经常拿出来读读，体会小说字里行间里的数学意识流。

       回忆了这三个好学生，我也照照镜子，看看数学差生。我是一个拉低朋友圈智商平均值的角色，就是数学中的“极小值”，你看看我身边这三个“人才、鬼才、天才”都没能帮我提高。数学差的危害太大了，上学成绩垫底，只能看成别人上好学校；工作中做项目立项汇报没有数学表达思维，老板就骂我“你写个立项PPT就是做语文题，你不会做数学题”；最悲催的是辛苦工作十几年攒了一些钱，身体不好了一冲动想回家，算算存款，觉得好像省着点够花了，立马离职！结果冲动离职后，发现自己计算存款可用年限时，小数点位置搞错了，只好赶紧跑出来继续找工作，哎

      讲完这些，同学们，作为理工男如果你们和ABC同学一样，有好的数学思维，就能做人生赢家，否则就和我一样，这么晚还要写公众号。

2、人工智能的数学基础

       我们回到人工智能的学习上。首先，今天各种人工智能技术归根到底都建立在数学模型之上，学习数学知识是必须的。其次，离开学校后，我们终于不要为了考试而学习了，抛开考题，以学习和应用人工智能技术为目标，我们可以把更多的精力投入在这些事情上 — 理解数学知识点，把知识点串联到自己的知识体系中，再以数学思维去理解人工智能的工具和行为。

       学习人工智能必备哪些数学基础知识？包括线性代数、微积分、概率论、最优化理论等等。

（1）线性代数

       线性代数是人工智能的基础，处处都离不开向量和矩阵的使用，线性代数提供了⼀种看待世界的抽象视角，万事万物都可以被抽象成某些特征的组合，并在由预置规则定义的框架之下以静态和动态的方式加以观察。

       以向量为例，我们常说一个组织必须形成合力，才能把事情做好，“方向”是至关重要的。数学上用来描述带有“方向的数字”的工具就是向量；而那些只需要关心数值，不关心方向的数量被称为标量。看下图，要形成合力就必须方向一致，即便方向不能完全一样，彼此之间方向的夹角也需要尽可能地小。理解了数的方向性，我们就可以理解“做事情要聚焦”，比如像硬十这样的创业公司，如果什么事情都想做，力量不仅分散，而且彼此会产生矛盾，努力就抵消了。

      

      再说说矩阵运算，矩阵是人们构建出来的一种工具，利用这种工具我们能够让计算从单个处理变成批处理，我们人工智能每一个过程都离不开巨大量的矩阵运算。

      

（2）微积分

       微分是我们从函数的宏观趋势把握每一个点细节变化的工具；而梯度是多变量函数的微分，说明了如何在有大量不确定性中找到前进方向的方法，具体讲就是往坡度最高的方向努力。

      积分能把握每一个细节对最后整体的影响，如下图，若速度是一个随着时间不断变化的函数，忽快忽慢，那么在这样的速度下走过的距离就需要考虑每一时刻的动态变化了。在没有积分这个工具之前只能通过平均值计算，大致了解累积效应，但是估计得非常不准确。有了积分，就能做更加准确的推算了。

（3）最优化理论

       人工智能的核心目标就是最优化，在复杂环境中做出最优决策，最优化就是求一个函数的最大值或最小值。回顾历史，在伽利略和开普勒那个年代，人们就在物理学和天文学中遇到很多最优化问题了，比如计算行星运动的近日点和远日点距离、弹道的距离、望远镜透镜曲率和放大倍数的关系等等。这时就需要系统地解决最优化问题，而不能单靠一些技巧。天才的牛顿是如何求解最大值的呢？他的伟大之处在于，他不像前人那样，将最优化问题看成是若干数量比较大小的问题，而看成是研究函数动态变化趋势的问题。

       牛顿对比抛物线和它的导数（虚的直线），发现了曲线达到最高点的位置，就是切线变成水平的位置，或者说导数变为0的位置。他不是直接解决那些很难的问题，而是把比较数大小的问题，变成了寻找函数变化拐点的问题，后一个问题要比前一个好解决。将这两个问题等同起来，需要发明一种工具，这就是导数。有了导数，求最大值问题就变成了解方程的问题。    

（4）概率论

        概率论也是人工智能研究中必备的数学基础，是我们讲述揭示不确定性世界规律的数学分支。从18世纪末到19世纪，像法国的伯努利、拉普拉斯和泊松等人，德国的高斯，以及俄罗斯的切比雪夫和马尔可夫等人，都对概率论的发展有很大的贡献。经过他们共同的努力，概率论的基础理论逐渐建立，很多实际的问题也得到了解决。比如拉普拉斯，他定义了什么是概率，以及它该如何计算，用“概率”的概念来描述由随机性这种自然属性导致的结果不确定性。

3、“学会学习再学习”

      人工智能涉及到非常广泛的知识域，因为要学习的东西太多，很容易让人发慌，实际应用中面对很多个模型时也很容易迷失。所以打好基础尤为关键，总结起来就是这几条

（1）数学是基础：我们今天讨论过的微积分、线性代数、概率与统计这些是非常重要而且必要的数学基础。很难相信不懂什么是高斯分布可以用贝叶斯方法做推理，不懂线性代数可以理解高维空间流形，不懂微积分可以理解反向传播，和不懂优化能理解SVM。这些必要的数学基础要花大量的时间去学习。当然就像我们这节课里反复强调的一样，学习方法和我们上学时要所有变化，不要专注于解题，而是多花精力去理解。

（2）编程是手段：懂了理论就要实践，而代码是我们实现我们算法的唯一路径，我们无法用代码正确表述我们的理论模型就没法很好应用这门技术。

（3）英文是内功：这门学科发展快，大部分文献是英文的，代码的解释也是英文的，英文好会让你学习的能力事半功倍，追到前沿。

      最后回到今天的主题数学，像我这样数学基础薄弱的同学，为了能够成为一名合格的人工智能工程师，也决心要加油学习