有关机器学习&深度学习、理论学习&应用学习、matlab&python的话题

当下“AI”盛行，也想结合自身专业和工作内容“与时俱进”一下。

一些概念的梳理：

1.机器学习&深度学习

机器学习：从模仿人的五感功能出发，依托一些特征数据，训练计算机或设备的一项或多项功能。有模仿眼睛（视觉）的“机器视觉”；有模仿耳朵（听觉）的“语音识别”；还有模仿鼻子（嗅觉）和舌头（味觉）的“电子鼻”、“电子舌”等。

深度学习：与机器学习类似，它模拟的是大脑的功能。统筹各功能构建的协作，使之具有完成某项任务的能力。大脑的工作依托的是复杂的“神经系统”，通过它实现了大脑与各功能器官的联接。深度学习从本质上来讲，核心的内容就是模拟这套“神经系统”的所谓“人工神经网络”。

二者是一个即对立又统一的关系。所谓对立，即二者模仿的角度不同可独立发展（横向，种类）；所谓统一，即从实际应用的角度来看，只有将二者结合到一起的发展对于解决实际的问题有着重大意义。

2.理论学习&应用学习

学习有一个过程，首先是模仿，然后再是创新。所谓模仿，即用已有的解决问题的方案套用到自己面临的类似问题中，也就是“换汤不换药”，从中学会如何使用现成的工具解决问题。具备一定基础之后，针对遇到问题的难点，着重深入相关领域的理论学习，最终达到创造性解决问题的目的，这其中，可能创新的成分不多（太难），但对于解决了问题本身而言，这种创新的意义也是重大的。简言之，先“知其然”；而后“知其所以然”。

3.matlab&python

matlab一直在用，而python的使用最近才开始。两种工具无分优劣，主要看如何去使用。由于具备开源的性质，无疑将Python作为“应用学习”的工具是十分有效的。种类繁多的工具模块的支持以及庞大的维护群体，使得实际问题的解决变得简单而高效。因此，python学习的重点在于工具箱功能和信息的掌握以及实际应用案例的学习。最好是自建案例库，随着案例数的增加，解决问题的能力自然也会增强。matlab可作为“理论学习”的利器，它更好的诠释了各种技术、算法等的实现。它可作为“应用学习”的一个补充。实际问题需要但不包含于与当前工具模块中的技术，可通过理论学习、然后matlab实现，最后再转化为自己的python工具包，最后使问题得以解决。