上课的意义是什么？
- 构建一个 持久的直觉 用于关键思想。
- 在课程期间，理解到足以解决问题。
- 课程结束后，享受它到愿意重温。
这就是我学习东西的原因。非目标就是逐字记录老师说了什么，或者死记硬背直到全忘光。（是的，这是我们玩的一个游戏，但我们正在走下跑步机，只是在欺骗自己。大多数学科都有有用的洞见埋在某个地方。）
所以，这是我学习时的策略：
如果一个想法让你豁然开朗，就用你自己的语言把那个 啊哈！ 瞬间记录下来。
如果没有，就把那个 嗯？ 瞬间记录下来。继续前进，稍后再试（比如用 ADEPT 方法).
保持简单，就像 KonMari 组织方法： 看看你房子里的所有东西。 它是否带来了快乐？留下那些带来的，感谢并捐赠那些没有的。
一个简单的学习计划：过一遍材料。它让你豁然开朗了吗？写下有帮助的内容，否则寻找更好的解释。
实际示例：Stanford 机器学习课程（Coursera）
我目前的 学习项目 是 Cousera 上的 机器学习课 。我读过一些博客文章，这个主题正在发展，在 我的朋友 让我加入这个课程后，我不得不报名。（很棒。）
这是我保存笔记、Aha 和 Huh 瞬间的地方：
Google 文档上的机器学习笔记 (PDF - 22MB)
这是我记忆中最好的学习体验之一。几个例子：
每个前置知识都有一个顿悟(Aha)时刻
对于课程所依赖的主要概念，我在脑海中保留一个 5 秒摘要。这个底层概念，为什么存在？用通俗的英语说，它是什么意思？
- 线性代数(Linear Algebra)：用于你公式的电子表格。我们让数据“流经”各种运算。
- 自然对数：增长所需的时间。有助于规范化差异巨大的数字。
- e^x：建模连续增长，拥有简单的导数(Derivative)。
- 梯度：变化最大的方向，有助于优化。
- 微积分 -将系统分解为步骤的艺术。借助梯度，我们可以朝最佳方向移动。
当我遇到新公式时，我会参考这些片段。
困惑(Huh)时刻：需要澄清一个公式
有一个公式我预期是正的（"cost" 应该是正的），但它前面却有个负号。这是怎么回事？
原来我忘了一部分推导，我们预期自然对数是负的。（当我们取小于 1 的数的对数时会发生这种情况——换句话说，我们在"回到过去"并缩小。）
我更希望方程用另一种方式写，我记下了这个 Huh？瞬间。
困惑(Huh)时刻：为什么叫这个名字？
在课程早期，我们定义了一个"cost"函数，用于追踪我们的预测与真实值之间的差异。
为什么不把这个差异叫个正常的名字，比如 error？
原来用"cost"是因为课程后面我们要最小化的项目（比如模型中的变量数量）与误差没有直接关系。"cost"捕捉了模型之外的东西，比如我们具有的复杂度。（如果两个模型做出同样准确的预测，优先选更简单的。）
啊，"成本"可以包含一些更模糊的概念。（我还是更倾向于把这些事先说清楚。）
顿悟(Aha)时刻：用通俗英语总结课程
在学习这门课的过程中，我脑海里会有一个通俗英语的定义。这到底是在讲什么？
机器学习：用线性代数创建模型，然后用微积分(Calculus)改进它们。
- 线性代数让我们在“数学电子表格”中使用许多（数十、数百、数千）个变量。
- 微积分(Calculus)让我们通过关于其运行效果的反馈来改进电子表格。使用像 e^x、ln(x)、x^2 等函数使求导变得容易。绝对值、if/then 语句等则不易处理。
现在我的想法变成了：我能做出哪些类型的预测模型？如果线性代数(Linear Algebra)能描述它，那就用它。
结果：你会真正喜欢读的笔记
课程结束后，你留下的是一套对你自己说得通的笔记：那些顿悟(Aha)、困惑(Huh)，以及其他陷阱。（这个网站就是我持续收集的笔记。）
未来的学习会因此变得容易得多。还记得几年前你对某个主题有多困惑吗？那么，我们来读一读 你写给你自己的 关于如何克服它的解释。随着时间推移，你会建立起一个庞大的收藏。
其他建议：
拥抱你的困惑。当你看到一个公式时那种犹豫的感觉是正常的。试着拆解方程的每一部分，问它是什么意思，记下让你困惑的地方，过段时间再回来看。每一个正号、每一个变量，它们为什么在那里？
忘记东西没关系——我就经常忘。我只是想要一份直觉清单，在需要的时候调出来。通常一个短语或一张图就能把一切都带回来。
这些笔记是给你自己看的。写得又快又简洁。（我的笔记最终会变成文章，但在那之前它们保持非正式，且仅供我自己使用。）
教科书已经存在了。不要只是照搬老师/书上说的话，要加上 你需要的 能让它清晰的内容。
向我展示你的顿悟(Aha)时刻！
这门课是我经历过最有趣的事情之一——学习就应该是这种感觉：不断探索、持续打磨。我很好奇这种方法是否也能帮到你。
对于你的下一门课，试着把笔记保存在一个 Google 文档里。记下你的顿悟(Aha)！和困惑(Huh)？时刻。把链接发给我，我会把它们加到这个列表里：
- Kalid Azad - Coursera 机器学习
- [你到这里]
我很好奇什么对你有用，随时欢迎反馈。
数学愉快。