闲言碎语

关于去向，等一切尘埃落定之后，再汇报一下。

博客停更了很久。最初的几个月，确实是因为忙，后来嘛，倒是因为自己。遇到了一些事情，陷入了一些困境。长达几个月吧，自己的很多事情确实收到了影响。不过，这都是自作自受。

带着逃离的心态狼狈离开哈尔滨，来到杭州，开始一段新的生活，转变，也发生在这里。

杭州的经历目前还没有到描绘太多的时候，很多事情都充满着不确定性。只是，经历与变化让人成长。惊喜的变化居多，工作的事情上交到了好运，无比幸运地进入了我非常想去的部门，做着我喜欢的方向和喜欢的事情。从无奈地退路到坚定的选择，又重新受到了老天的眷顾。

而成长，体现在另外一件事情上。终于能够平静地、心平气和地面对一些事情。虽然最开始仍旧有些着急、无奈与不知所措。但是现在已经能够很冷静了，不再像之前那样会让生活一塌糊涂。很高兴这样的变化出现在自己身上。

总体上来说，心态在朝着好的方向发展。大脑也有种重新开始活跃的感觉，最近的思考也重新多了起来。

实习三周了，在专业方面，直观地开始了一些接触和了解，不再是那些仅仅停留在书面上的东西。

首先，最直观的一个感受就是：数学真的很美，而且，数学很重要。第一次参与讨论会，就直观地感受到了一次数学去解决实际的问题（一个性能优化问题，大概将性能优化了2-3倍）。对于机器学习来讲，目前其实多数分为两个方向：application和theory。前者可以忽略算法的理论推导，只需要知道如何使用，这一点可以参照Coursera上Andrew Ng的Machine Learning，仅从应用角度，把这门课的内容掌握是很足够了，剩下的需要就是更多的intuition。而对于后者，这段时间以来有了一点点感受。本来就会更喜欢理论，这段经历让我彻底喜欢数学的漂亮。

那么对于这个方向，应该具备哪些数学知识？

首先，矩阵的基础知识：矩阵的运算要熟练。其次，微积分的知识上，起码要具有一定的感觉（能看懂推导）。然后，对于机器学习来讲，坚实的概率论和数理统计基础会有极大的帮助。最后，知识并不是孤立的，并不像是我们学习的时候，孤立的学习每一科，而是要建立起来联系。

另外，教授跟我说，泛函分析这门数学是很美妙的。因为对于机器学习来讲，target经常是在函数空间中求解。

数据与大数据

说真的，我很反感大数据这个词。完全被炒疯了的一个概念，言必谈大数据（大你MB数据）。我只想说几点我的感受：现在对于海量数据的处理能力还是不够强大，我们是将处理上升到了集群上，但是集群的处理能力提升的速度并没有像数据的规模提升得那样快。其次，对于大数据，可以这样讲，通过对于海量数据的分析获得的结果，是一定可以在小数据集上得到的。只不过，需要做更细致的样本选择，更精细的特征选取，更小心地处理overfitting等问题--对训练模型的能力要求高。而海量数据将技术人员的注意力转移到别的方面，而同时，存在带来潜在价值的可能。

更多的理论方面的心得：

最优化是很推荐学习的，优化问题是在实际生活中最常用的数学

Caltech的learning from data的理论性很强，不过侧重了学习的可行性理论。

Andrew在斯坦福的课程（网上有）会涉及到比coursera上更多的理论知识和理论推导。其中很多的数学推导非常美妙。我主要看了Logistic Regression这一块，因为工作需要，我之后也会在这一点写一篇博文。比如，我们为什么采用对数损失函数，这于极大似然估计有什么关系？预计这篇博文能在这周开始写，下周写出来就已经很快了。

然后是一些对于本身专业的态度：

我始终觉得很幸运，在软件工程这个专业，锻炼出了相对比较好的动手能力。软件工程这门学科需要一直保持这一点是毋庸置疑的，只是，关于学校设置的学习大物以及C++和Java二选一的这两个变化，不敢苟同。

只是，我们并没有培养出一种对理论的重视以及，理论和实践之间的联系的建立。现在的经历，愈发的感觉到技和术的不同。对于我自己所从事的事情而言，良好的理论知识更重要，理论成熟之后，会对于很多工具都是熟悉一下就可以应用（首先，不涉及太多的工具的细节，如语言细节等）。这种感觉还是挺有趣的。当然也就导致我没有任何一门工具谈得上精通...

我不会谈论太多课程设置的合理性（有些问题并不适合现在指出），只是希望，当不满意现状的时候，更多的人会更加主动地去学习和提高，学会自学、专注、思考和主动。

现在有太多的机会：MOOCs等给个人成长带来了很大的空间。仅仅学好学校所开设的课程很难保证竞争力，而具有学习的主动性，会更加受到青睐。