CS类AI大一进组科研，如何入门学习机器学习及其相关基础?

什么年代还搞刻舟求剑缘木求鱼照本宣科啊？

我发第一篇oral时什么瓜书都没看（他们还没写），更没去学什么吴恩达王恩达李恩达王宏毅张宏毅，且现在都没看。

就俩字：没用。要做项目直接做，要发paper找问题找项目干，炼丹不是看书学来的。

问个最简单的：batchnorm和layernorm为什么有性能区别，什么情景有区别，现在常用哪个，你觉得跟现在feature/embedding dimension激增有关系吗为什么？不要照本宣科的背段子，你能指着他们表达式里求和的部分给出justification吗？给你几个现场模型和情景你能验证刚刚的justification吗？更进一步，他们跟以前的L2 normalization什么区别（尤其layernorm）？

这些你就算翻遍东西南北瓜书都不会有，所以，横竖没卵用。还是那句话，炼丹是个手艺活，讲究的是选料上炉出丹吹逼的手头功夫，这行里教条主义的骨灰都给吹没了。再说，那些书里讲diffusion吗？你要现在发paper最方便的做法之一就是魔改diffusion。等你看完那些书，说不定咱下一代Fokker-Planck模型又双叒叕出来了，万一那时的研究热点是魔改Fokker-Planck的边界条件你咋办？哪个恩达或者哪个宏毅又制作了课程让你跟着学？（我倒是17年就开始捣鼓Fokker-Planck了，去年开始直接跟物理系搞统计力学的玩attractor那些，要整出来了就直接开车。你想找现成方正的教学体系，跟着一格格慢慢爬，那我们早把问题做完去下下个坑了）

所以不要怕，要干什么撸起袖子直接干。搞清楚你的目标，先上车再买票，一边产出一边学习不矛盾。没有事是完美的，不断迭代就是了，头几篇paper稚嫩点无所谓，以后你有的是几十年的职业生涯来不断磨。重要的是先上手，你才知道自己真正缺什么，孰轻孰重。再说你不还有导师和学长指导吗，时不时找他们问点经验教训避免走入歧途，不要一个人自己想一口吃个大胖子。学无止境不光是鼓励，也是警醒：你永远都要学你也永远学不完，但该干活儿时就要去干。

更别觉得搞数学的就得一本本书教条主义，跟背四书五经一样。咱搞数学更是同理，我那会儿刚学表示论说我想从拓卜群开始推。我导直接说，滚几把蛋，老娘来给你把这几个tensor/CG-module的东西和这几个thm讲了，你回去自己算这几个character table，下周回来对好答案我们就直接开干，你那么搞鬼知道几个学期才能进到本番。不管什么学科什么领域Get your hands dirty一定是最重要的，先进去搞了再说。有人推荐boyd那本书，实际等你学过真正的线代（数学系的学法）后，你就会觉得，啊就是有限维的线代基本性质，trivial的嘛，画两个星期自己动手跟做一遍就行了。至于真正juicy的无限维变分？不好意思boyd没讲，终归还是trivial。所以很多事没那么多必须先怎么，一定怎么样才要推动，你自己做进去才会知道其中关窍的。

你可能觉得矛盾，科学本身很结构化讲求循序渐进，但为什么到做研究就这么黑猫白猫抓到老鼠就是好猫？这确实是个根本矛盾，产出的科学内容是结构化可推广的，但产出科学的过程是门case-by-case的手艺活。手艺活没有标准，每人都有自己特色。手艺活儿怎么学？一边做一边练，而且至今这门手艺还得靠旧社会的师徒关系手把手的带。如果你要进入这门手艺活儿，那就得摒弃之前循规蹈矩爬格子的mindset，及早进入学徒工模式。

同时作为带学生的一方，也要对学生的成长过程有充分认识，只要有merits就要加以发展然后想办法去修正不足。那些刁钻学生不成熟地方甚至人格侮辱学生的人，纯属低劣。