研究生开学一个月了，记录一下自己对机器学习的流程理解。

        常见的计算机基础知识具备就行，会用一门面向对象的语言。之前是用的C++，现在用python，多少感觉python对结构体的使用有点不合礼法。

        首先是要意识到计算机与数学之间的关系，这个是导师推荐给我的《数学之美》当科普读物，重点是感受概率论的作用。顺便吐槽，考研数二，一进来却要用概率论。

        一般来说机器学习看西瓜书能解决很多问题，但一般都看不懂，选择从《机器学习实战》这本书跟着写点代码能更好的理解算法究竟是要你干啥，看完后就可以尝试看西瓜熟了(虽然我还是看不懂那些公式)。一般来说机器学习分为无监督学习、监督学习、强化学习，而常说的深度学习是通过多层神经网络来进行分析。我们一般是从无监督、监督入门，学习常见算法，如逻辑回归、线性回归、K聚类这些，代码啥的会更好，不会的话就先懂原理。接下来开始深度学习，一般框架主要是TensorFlow和pytorch，前者我用的是蜥蜴书，后者还没用，貌似有个动手学机器学习好像挺有用的。这个顺序一般是MLP(nn)、CNN、RNN、LSTM、transformer。我现在就卡在注意力机制这了。