讨论：你是否遇到过你完全不能理解的机器学习概念？_最新动态_新闻资讯_程序员俱乐部

　　俗话说：隔行如隔山。但就算同一座山，有的时候因为“山”太大，未能爬到顶峰的人往往很难一窥整座山的全貌。这不，雷锋网在 Reddit 的机器学习版块就发现了一个很热烈的讨论，题目叫做：“机器学习专业的研究僧们进来说一说，你是否遇到过你完全不能理解的机器学习概念（Those who are working professionally in ML and/or academics who have completed graduate-level coursework in ML: Are there any ML concepts that you don't quite fully grasp?）？”在问题下也有不少有意思的回答，雷锋网整理了部分回答，与机器学习的“炼丹师”们共勉。

　　排在最前面的是@Leonoel 讲述的一个高票故事：

“故事时间。

我喜欢和我的学生讲这个故事来激励他们，同时也希望能减轻他们的‘不懂装懂综合症’。

在 NIP 2013 上，当时有一位演讲者的演讲我完全听不懂。这是我博士的最后一年，这让我产生了警觉。我开始感觉很糟：作为一个新出炉的博士，我竟然没有能从 NIPS 的主题报告中学到任何东西！

当时坐在我旁边的两个朋友，其中一位是 UC Berkeley 的 Michael Jordan，另一位在波士顿和 Andrew McCallum 一起做研究。这两位教授在机器学习界的大名如雷贯耳，所以我想当然的想，他们应该从这个报告中学到不少东西。

但最后，他们告诉我，他们同样听得一脸懵逼。

这个故事的含义是：机器学习是一个巨大的领域，如果你在你自己的领域花了足够多的时间，你很有可能难以对其他领域了如指掌。不要浪费你的时间去了解每一件事情。

还有另一个例子：我有个朋友是普林斯顿的数学家，但他从来没有理解过机器学习背后的数学，因为他主要是做数学理论研究的。”

　　在这个回答下，网友@iamiamwhoami 做了补充说明：

“你在应用领域社区混久了就会感觉到，有的人真的是不怎么擅长解释他们的研究。”

　　@gionnelles 也做出了类似的回答：

“如果有人声称他了解机器学习领域的所有东西，这绝壁是撒谎或者是错误的。机器学习领域太过广泛，研究进展太快，这意味着人们可以成为直接接触他们所在细分领域的专家，并聪明地讨论其他部分，但总有新的东西值得学习。”

　　甚至一些机器学习基础的重要理论如 RNN 和反向传播理论，不少人也表示有诸多理解难点，例如网友@klop2031 就这么说：

“RNN 的递归怎么绕，以及反向传播如何通过时间起作用，对我来说仍然一团乱麻。我仍然需要通过数学方式来理解，同样，对比分歧的原理如何我也不大清楚。”

　　好不容易弄懂了反向传播，却发现 Hinton 老爷子又有了新理论。@wdroz 是这么说的：

“要想时刻跟随并理解机器学习的最新潮流很难，尤其在深度学习领域更是如此。举个栗子，我读了好些关于 Capsule 网络的介绍，但我还是无法理解其工作原理。”

　　@debau 的回答让我们感到了深深的绝望：

“我希望我能理解我自己的论文...”(这就过分了吧...)

　　也有卖萌的，比如网友@oursland 的回答：

我曾经做到了这一点。然后我又把所有东西给忘掉了（雷锋网注：@oursland 这里用的是机器学习中的“灾难性遗忘”的梗）。这当中一定有一套炒鸡糟糕的超参数，或者其他的什么东西作怪。：V

　　网友@andyspl 也声称做到了这一点：

“握爪！我试图将这些东西写下来，但我的笔记本边上的空白太小啦~”

　　（费马大定理：“我确信已发现了一种美妙的证法，可惜这里空白的地方太小，写不下......”）

　　嗯，以上的笑点，只有做机器学习的理工男才懂......

　　而得票最高的是 Reddit 网友@stochastic_gradient 富有哲理的回答：

“没有人会完全理解（机器学习的所有概念）。每一篇发表在 Arxiv 的论文所讲的，实际上都是作者已经理解、但之前从未有人理解过的东西。

做机器学习研究，的确 100% 的是一件你需要和你不能完全理解的东西打交道的事儿。任何吸引你的事情都源于你对它的不了解，矛盾的是，即便人们知道解释这些事情是他们的工作，但他们仍然会对此有很大的不安。”

　　这或许也正是机器学习的迷人之处吧。

　　对于这个问题，现在正在机器学习路上的你又有什么看法呢？如果你想了解关于该问题的更多讨论，请点此前往 Reddit。