500多页的机器学习入门笔记，下载超5万次，背后都有什么故事？

Youth is not a time of life, it is a state of mind. —— 塞缪尔·厄尔曼

虽然年纪大了，体力精力都下降了，但我不觉得自己很老，尚有一颗拼搏的心。——梁劲

1991 年，刚刚走出大学校门的梁劲被分配到政府部门当公务员。工作包分配，而且还是公务员，在很多人看来，这应该是一份非常令人艳羡的工作。但是对梁劲而言，这却是他人生中最黑暗的时期。

那段时间每天上班就是喝茶、看报、聊天，下班后就是玩游戏，但这不是我想要的生活，人生毫无希望的感觉，我想摆脱这种生活模式，但又觉得无能为力，我不知道如果不做公务员，我还能做什么，我什么也不会啊，我这 10 年最宝贵的青春就这么稀里糊涂荒废了。

三十而立，但是不破不立。

2001 年，梁劲在亲朋好友的反对声中毅然选择离开体制，并在因缘巧合之下，加入了一家 IT 创业公司，担任产品设计经理，负责产品的构思，以及具体的用户界面设计。从政府公务员到创业公司，一切都得从头学起。

2005 年，梁劲离开待了 4 年的创业公司，进入 SAP 做设计师， 从事用户体验方面的工作，直到如今。

时间来到 2018 年，身为设计师的梁劲却在 AI 社区一夜之间小有名气。

今年 4 月，梁劲在百度云盘上传了一份自己整理的学习笔记——《机器学习——从入门到放弃》。这份学习笔记 540 多页，图文并茂，而且全部用英文撰写，如今这份文档的下载量已超过 50000 次。由于在海外的 AI 社区反响强烈，梁劲随后又将这份文档上传到了 DropBox。



（附下载地址：https://pan.baidu.com/s/1tNXYQNadAsDGfPvuuj7_Tw）

从动笔到完成，梁劲差不多花了一年左右的时间，作为人工智能的门外汉，其中艰辛，可想而知。

关于梁劲，关于《机器学习——从入门到放弃》的诞生始末，希望下面的对话能给你一点启示。



AI科技大本营：能简单自我介绍下吗？

梁劲：我是一名设计师，目前在 SAP 从事用户体验方面的工作，自 10 多年前加入这家公司以来，一直在做 business applications。SAP 作为全球最大的企业级软件系统供应商，在全球范围内很多超大公司都在用 SAP 的软件解决方案，包括微软、苹果、Intel、波音、3M 等 ，SAP 在企业管理系统方面积淀深厚，在这 10 年里，我参与多款产品的研发工作，其中包括和数千名同事一起研发一款耗资数十亿美金的大型产品，获得了很多经验、知识、教训。目前我参与的产品，是一款让普通用户自助式分析和展现数据的 Cloud Analytics 产品。

在加入 SAP 之前，我在一家初创公司担任产品设计经理。这家 startup 是由 Intel 亚太区一个 VP 创立的，创立之时，正值互联网泡沫破灭的时候，我们一群年轻人满腔热情地加入了这家公司。在奋斗了 4 年之后，我选择了离开，很不幸的是这家公司后来很快倒闭了。

作为早期员工，我经历了产品从诞生到死亡的全过程，很多感慨，即便离开这家公司很多年了，回想起来也依然有点感伤，就像是看着一个小宝贝诞生后不幸夭折的感觉。虽然公司的产品失败了，但这段经历是我职业生涯成长最快，收获也最大的一段时间。

AI科技大本营：您大学毕业之后都从事了哪些工作？

梁劲：我的专业是化学相关，大学毕业后，被分配到政府部门做公务员。这是我人生当中最黑暗的 10 年，那段时间每天上班就是喝茶、看报、聊天，下班后就是玩游戏，但这不是我想要的生活，人生毫无希望的感觉，我想摆脱这种生活模式，但又觉得无能为力，我不知道如果不做公务员，我还能做什么，我什么也不会啊，我这 10 年最宝贵的青春就这么稀里糊涂荒废了。挣扎了很久，我最后决定破釜沉舟，下定决心把自己的饭碗砸掉了。

这些年很多人为了考公务员，挤破了头，是不少人热衷的工作，即便在当时，公务员也是热门工作。当时我辞职的时候，周围的朋友一片反对之声，有一个认识的领导，对我说：“你是不是脑子出问题了？多少人钻头觅缝想当公务，你却要自己砸掉铁饭碗！”回想起来，这一生做出了很多愚蠢的决定，但离开政府部门是我这一生最正确的抉择。

离开政府后，因为机缘巧合，我加入了刚才提到的那家创业公司。其实一开始是非常艰难的，从政府部门跳到浑身不搭界的 IT 创业公司，技能上是有所欠缺的，我所有的相关技能都是基于兴趣爱好自学的，从专业程度上来说，我完全就是新人。

我在那家公司，负责产品的构思，以及具体的用户界面设计。因为是初创小公司，所以职责比较综合，我在这家公司边做边学，逐渐在综合能力上得到了很大的提高。现在遍地都是 startup，其实当年国内的创业公司非常非常少，我们做的产品，最早是对标 Groove（后被微软收购），后来产品方向变了，尝试过不同的方向，但最终还是失败了。

在初创公司工作，有朝不保夕的感觉，但做事也有它的好处，与 9 万人的大公司相比，在小公司个人其实有更强的 ownership，对产品有更大的影响力，可以及时验证 idea 最后的成效，虽然公司产品最终失败了，但这个过程个人收获不少。在创业公司打拼了几年之后，迫于生计，我最后选择了进入外企，开启了另外一段职业生涯。

AI科技大本营：从什么时候开始关注人工智能？因为什么原因而关注？

梁劲：最早关注人工智能，大概是在 2016 年，也就是在 AlphaGo 一鸣惊人之后，当时感觉很震撼。然后开始断断续续看关于人工智能相关的文章和视频，但是还是停留在最基本的概念阶段。后来在网易公开课上，试图看吴恩达在斯坦福的机器学习教程（不是 Cousera 的那个版本），看了一阵就放弃了，因为看不懂 。

其实我不是程序员，本身没有很强的动机去深入学习 AI，我当时做的产品本身也不涉及 AI。只是我做数据可视化产品，已经好些年了。看到人工智能的火爆，我在思考是否有机会用 AI 重塑传统的Business Intelligence/Analytics（商业智能/商业分析）？

长期以来，传统的 Business Intelligence/Analytics 都是基于历史数据，关注的是 “what happed? why did it happen?” ，它关注的是过去，但高级或者新一代的BI/Analytics 是predictive solution，更关注的是未来。“What will happen?” 甚至是“What is the best that could happen ?” 

传统的BI （business intelligence）虽然号称商业智能，但其实没有真正的智能。用 AI 去革新 BI/Analytics，才有机会提供真正的“智能”，然而这不可避免会涉及到 AI/Machine Learning，如果我自己完全不懂，我又如何能去设计突破性的 Analytics 产品呢？所以，我就有了学习“机器学习”的动机，我并非想成为这方面的专家，而是希望通过学习“机器学习”，了解它的原理，想把它和传统的 Analytics 结合，看看有没有机会做出有突破性的创新产品。

AI科技大本营：什么时候产生自己动手写一本机器学习教程的想法的？为什么？

梁劲：学习“机器学习”完全是自我驱动的，并非是工作上的硬性要求，而且我这是跨界学习，作为非程序员，要去学“机器学习”，本身挑战不小。但凡自学新的 topic，特别是对上有老、下有小的职场人士，要长期坚持下去其实是不容易的事情。如果这个 topic 还很难，如果没有强烈的动机，不少人学着学着就很容易放弃了，这是人性使然。

我在学习初期，也遇到巨大的困难，根本学不下去。后来自己想方设法在网上找各种英文教程硬着头皮看，勉强看懂一些，到后面才越来越顺了。在看的过程中也做了一些笔记，到后来内容也积累得越来越多。

Learning by doing 和 Learning by teaching 都是高效的学习方法，所以，我就想通过 Learning by teaching 的方式去学习，于是产生了把笔记整理成教程的想法。通过整理笔记，重新组织，也是一个整理思路，加深理解的过程。

在接触机器学习时，有两篇文章让我印象深刻。一篇是 Machine Learning is Fun!（https://medium.com/@ageitgey/machine-learning-is-fun-80ea3ec3c471），还有一篇是 ”图解机器学习（http://www.r2d3.us/visual-intro-to-machine-learning-part-1 ）”。我意识到很难的 topic 其实可以用直观、有趣的方式去呈现。市面上机器学习的教程可谓多不胜数，但写的直白简单的却凤毛麟角。人都喜欢看图的，讨厌看大段大段枯燥乏味的文字，因此，我萌发了用图形化的方式去写一份教程的想法。

AI科技大本营：在开始动笔之前做了哪些准备？

梁劲：写这个教程，其实是边学边写。针对每个算法，查书籍，在 YouTube上看视频、在 Google 上搜索介绍算法的文章，特别是斯坦福、卡内基梅隆大学的课件，如果只是简单的黏贴和复制，那是网络搬运工，没有太大价值。我在一开始就定位于做一份高质量的精品笔记，所以在消化它们的基础上，吸取精华，并重新组合，尽量以图形化的方式来展现。

虽然这份笔记的内容大部分都来自别人，但解构并重组，也算是一个再创造的过程，这个过程特别耗时。打个比方，搞懂一个算法，花了一个星期，再把它用新的方式表述，花了 2-3 个星期。我不是 AI 专家，这份笔记跟市面上的教程，从深度或广度都没法比，但我自信它对于初学者的友好性，可能不亚于绝大部分教程。

AI科技大本营：您是怎样学习机器学习的数学知识的？

梁劲：吴恩达有几个视频，介绍机器学习里用到的常用数学知识，可能只需要 2-3 个小时学习就能了解了。

AI科技大本营：您是如何安排写作时间的？

梁劲：为了写这个教程，占用了大量私人时间，经常做到深夜，周末泡在星巴克写，过年的时候都每天写，这是一个艰难的过程。

AI科技大本营：在写这本教程的过程中都碰到了哪些困难？

梁劲：遇到最大的困难，还是数学，这恐怕也是多数人学机器学习遇到的最大障碍。我大学毕业多年了，对于数学早已忘得一干二净，每次看到算法部分，看到数学就崩溃，看不懂啊，那些符号是啥意思都不知道，仿佛天书一般。后来看了 Andrew Ng（吴恩达）的 Coursera 上的教程，然后逐渐就能看懂那些公式了，看懂那些数学符号了。要精通 Machine Learning 肯定需要很懂数学，但如果只是入门和应用，需要懂的数学并非想象的那么难。我在做这份笔记时，考虑到了初学者忘记了数学这种情况，尽量图解注释了相关公式。

AI科技大本营：从动笔到完成大概花了多长时间？是什么让您支撑下去的？

梁劲：前前后后，大概花了一年左右时间。回头一看，我都不知道自己是怎么坚持下来的。整个过程挺艰难的，有时看不懂算法的时候，心里那个着急啊，数学忘光了，学起来非常吃力，有时也难免有想放弃的想法。只是又觉得笔记做得这么多了，貌似做的还不错，放弃也有点可惜，于是又硬着头皮做下去，那些困难后来基本也克服了。

AI科技大本营：在这个过程中您最大的收获是什么？

梁劲：整个过程，我特别想验证的一点，就是是否可能把特别复杂的东西，用浅显易懂的方式把它讲述清楚？目前来看这个目标初步达到，从读者的反馈来说，他们对笔记的评价非常 positive。如果有资源和团队，我很自信还能以更好的方式去呈现概念，做出一份非常好的优质教程。只是限于成本和时间，我一个人目前没有不太可能做到这点。

太多的技术书籍和文档都写得晦涩难懂，为什么不能写得浅显易懂呢？可是要把复杂的东西讲得深入浅出，让别人读起来顺畅，读起来舒服，这本身就是一个巨大的挑战。

我们的教育体系，没有怎么教过学生如何去以友好的方式、以结构化的方式去陈述和表达概念，甚至非常多的老师也不知道怎么很好地教授复杂的概念，照本宣科。无数学生深受其害，不是学生笨，而是老师不会教。很多一流的专家，长于技术，长于研究，但不善于清晰易懂地表达，他们更不知道以何种方式向初学者去表达。

曾经看过网上有人说,“不要使用同济版《高等数学》教材….美国的教材写的真不错，通俗易懂；麻省理工的老师教的真是好，深入浅出。国内的教材怎么就这么难懂！但是同样是高数，为什么学起来感受会差别这么大呢？”, 我没有学过同济版的高数，但我有类似的感觉，国内的教材，各种技术书籍，普遍写的很烂。不是 topic 太难，而是它没有被以合适的方式去表述！

我在想一个问题，国内的中学、大学教材，是否有必要来一次改写大翻新？大学里是否有必要把“视觉传达设计/communication design”作为一门必修基础课？

这是一个终生学习的时代，如何让学习变得更轻松，更高效，更有趣，这里面有很多方法和技巧，值得有志人士去研究，我也倡议一下，希望设计师、Technical Writer、产品专家、技术专家、心理学家、教育学家，共同努力研究这方面的实践方法，总结提炼Best Practice。比如吴恩达的《机器学习视频教程》，算是机器学习领域屈指可数的优秀教程了，里面有很多值得学习的教学技巧，以后有时间，可以写篇文章分析总结好的展现技巧。

AI科技大本营：笔记传到网上之后，有人给您提意见吗？

梁劲：有的，不断有读者发邮件或微信后台留言点赞，表示感谢。普遍的评价是教程做的精美，觉得教程写的很清晰、浅显易懂。当然也有读者帮助指出了教程中的差错，提出建议，并期望提供更多算法的介绍。

AI科技大本营：未来会关注哪些 AI 领域？打算写另外一本教程吗？

梁劲：未来可能会关注一下强化学习。暂时没有写另外一本教程的打算。我这个英文版笔记是无偿分享，不断有读者问是否有中文版，很抱歉暂时没有这个计划，做这个太耗费精力，以后看情况再说吧。

AI科技大本营：对想转型 AI 的职场人士有什么建议？

梁劲：我也不是 AI 专家，提建议不敢当。我只是想说，无论公司，还是个人，需要不断进化，以适应环境和趋势的变化。长期局限在某个领域和环境里，即便成为专家。如果不积极拥抱新事物、新知识，有 overfitting （过拟合）的巨大风险，一旦局势发生巨大变化，原先的知识、技能、优势都会化为大幅贬值，甚至化为乌有，被时代所抛弃。保持积极的学习心态，是避免自己走向保守封闭，跟上历史进程的有效手段之一。

——【完】——

在线公开课NLP专场

◆

精彩继续

◆

时间：7月17日 20:00-21:00

扫描海报二维码，免费报名

添加微信csdnai，备注：公开课，加入课程交流群

点击|  阅读原文 |免费报名