OpenAI 创始人之一Greg Brockman在19年7月份写过一篇博客《How I became a machine learning practitioner》，讲述了自己学习机器学习的痛苦历程。

Greg在加入OpenAI之前是Stipe的CTO，本身是技术大牛，但是在学习机器学习的过程中，也是跟我们普通人一样遇到很多障碍，但他还是坚持下去，因为他不想只局限于理解项目的一部分，而是希望能完全清楚地看到整个项目的全貌。

他的学习方法也是借助做中学：

我发现，当我有明确的构建目标时，学习效率最高。我打算尝试制作一个聊天机器人。我开始自学我们为Fellows项目设计的课程，仅选择与自然语言处理 (NLP) 相关的部分。例如，我编写并训练了一个基于 LSTM 的语言模型，接着又尝试了基于 Transformer 的模型。我还深入研究了信息理论等领域，并细读了许多论文，直到彻底理解每一行内容。
虽然进展缓慢，但我已有所预期。我并没有进入那种高效的“流状态”。这让我回想起刚开始学编程时的挑战，以及我花了多少年才感觉自己掌握了编程技能。坦白说，我对自己能否精通机器学习并不自信。但我还是坚持下去，因为我不想只局限于理解项目的一部分。我希望能完全清楚地看到整个项目的全貌。
我的个人生活也在鼓励我继续前进。我开始了一段新的关系，我的伴侣让我觉得即使失败也没关系。我们一起度过了第一个假期，我大部分时间都在努力破解机器学习的难题，尽管这意味着我们错过了许多计划好的活动，但她始终陪伴在我身边。
我迈出了一个重要的概念性步骤，克服了我之前在 Dota 中未曾尝试的障碍：大胆修改别人的机器学习代码。我对找到的聊天数据集进行了GPT-1的调整，甚至加入了我自己简单的采样代码。但当我尝试生成更长的信息时，程序变得极其缓慢，这种挫败感最终克服了我的恐惧，促使我实现了 GPU 缓存的优化，这一改动影响了整个模型。

我多次尝试，却因为难以理解的复杂性而放弃了之前的修改。但几天后，当我终于让程序正常运行，我突然领悟到了一些我以前认为不可能的知识：我现在不仅理解了整个模型的组成，还领会了一些细微之处，比如代码库是如何巧妙地处理 TensorFlow 的变量作用域。

最终他还是成功迈过去了那道坎，并且感慨道：
“我了解到，拥有扎实线性代数和概率知识的软件工程师，只需几个月的自学就能转型为机器学习工程师。”。

现在有点后悔上大学没好好学习线性代数了[允悲]

译文：我是如何成为机器学习的实践者 [译] https://t.co/s7RfnpSvxn
原文：How I became a machine learning practitioner https://t.co/XIcM4WB26S