这机器学习数学真的也是蛮自闭...

先把数学基础打好（老实看正经的线代课和高数课），不会的太多才会有吓人的感觉（这就是先修课存在的意义）

微lao1去看国外的书就好了，James Stewart那一本就很好

ml尤其是deeplearning跟数学真没什么关系，基础的概率论和线代了解一下矩阵是什么，是怎么算的，向量是什么之类的基础概念就可以了。概率论用在生成中比较多，不论是llm还是多模态gen, 了解一下logprob, 分布，概率分布，条件分布之类的就可以了，不需要花太多时间在这上面。至于你说的做题那更是不需要了，所有计算都让计算机来做就好了

如果你真学ml / dl, 可以先去学python, 把python基础语法学会后去看李沐的动手深度学习，非常入门的一节课，这门课会给你普及conv, rnn, transformer等等深度学习的基础骨干网络，以及经典的回归任务是什么等等，然后根据你喜欢的方向就可以开始看论文了。

例如你对多模态图像视频生成感兴趣，就可以去arxiv搜一下对应的论文，或者一些blog，基本可以搜一篇综述，简单看一下发展历史，例如从最初的Unet是什么，然后到了现在大家都在用什么架构，数据形式是什么，你就算是入门了。这一步是必不可少的，不要觉得之前的论文已经过时了，为什么被淘汰以及迭代过程中产生的想法很重要。

然后就根据你的目标进一步探索就好，例如你可以尝试这个过程中自己训练一个小模型，cpu就能训的那种，做一些简单的imagenet图像分类, 手写字生成等等

中学生

我说佬已经比大部分人都强了，本身这些知识就是到高校再学的

另外既然数学是理解机器学习的工具，工具会用就行，不需要太精通

我开发过Fastapi项目，目前正在学PyTorch这个库，然后打算跑去学dl原理和卷积原理，rnn,cnn这些

是这样的，所以很多人告诉我会用就行（

你应该这是最慢的学习方法了，因为还是初中生可能做题思维居多(不批判，支持楼主的学习精神)，你学这些的目的是什么。换句话说你不落地用，你能记住多少…

不管是传统的算法还是深度学习都是以数学为基础的，深度学习再不济，最优化那也需要一点高数和线代的知识吧，涉及到矩阵函数还需要矩阵分析的知识，模型本身的梯度回传，模型的架构，归纳偏置哪个不要数学基础

我做了几年dl,而且还是生成方向，你说的这些基本都是torch自己库里的东西，怎么会自己造轮子呢，梯度下降这种知道理论就可以了，我的意思是手算刷题没必要。我说了呀知道一些微lao1方法 线代和概率论的大学知识就可以了，甚至不需要高代..高代很多地方我都学不明白

在用go打一个harness项目（主打落地），但是我这么学确实偏慢了，我都没啥明确方向（

不要为了理解概念去学，可以先看一下实际操作中遇到了什么东然后去找AI解答，等你学完ML再去看也不迟

我回复的是你在编辑之前的那段话，你开头就说“ml尤其是deeplearning跟数学真没什么关系”

再说模型架构本身很多是归纳偏置，是为数据的特征和特定的任务设计的，自动微分和很多模块是在torch内置了，但对问题的处理同样依赖数学，这个可不是torch内置的

如果你认为数学不重要，只能说你做的不是dl，只是稍微了解dl

是为数据的特征和特定的任务设计的

这句话十年前确实成立，当时三四层的模型确实可以逐层解释和针对任务进行设计，放现在完全不成立了，现在的模型完全没有可解释性，纯黑盒模型了已经。其次 跟数学没关系不代表数学不重要，做deellearning不需要数学而已，而且是绝大部分方向都不需要高深的数学，反而是行外人觉得数学很重要。

一些偏底层的确实需要，例如我也是在diffusion出来后才知道什么叫马尔可夫链，但这不影响我训练一个10-20B很大的生成模型

至于你说我不是做dl，那就不是吧xx，只有解决深度学习里高等数学问题的才是做深度学习，一句话给我做图像视频生成干沉默了

你难道不需要高考吗？为什么学这个 ^-^还是打算走特招

先学高等数学，线性代数和概率论好一点

佬我觉得你的目标不太清晰啊，一会ml一会dl一会harness的

我纯属是对计算机感兴趣，而不是对数学感兴趣，我没有进一步深入数学的想法

中学生…？

可以b站搜一下3Blue，很多视频都可视化动画的做得很好。