尤其是论文，他骂道：“最讨厌的就是那种，高高在上、假装清高、站着说话不腰疼、戳不到痛点的论文。比如那一堆只能在理论中刷存在感，实际落地中只能‘呵呵哒’的论文，根本就是浪费时间。”
的确，对于现在刚刚入行的机器学习新人来说，不怕吃苦，但最怕走弯路，最怕白白浪费时间。
那么，总结起来，都有怎样的弯路呢？来看几位点赞量颇高的知乎答主的总结：
那些年，他们在机器学习中走过的弯路...
在知乎答主张馨宇（就职于百度地图）看来，机器学习的弯路有以下四个：
最大的弯路就是自己xjb学xjb试，和加入一个真正能做出东西的团队或跟随真正的牛人一起学习相比，速度要慢十倍都不止。学是要学，但不要以为自己xjb学就够了，差得远呢。
第二大的弯路就是成天xjb看论文，以为这样就能打通任督二脉，从来不复现论文或者尝试自己做出一些东西，这都是〇。
第三大弯路浅尝辄止，有些东西不往死里怼屁都做不出来。
第四大弯路迷信复杂的东西和新技术，以为新东西怼上去肯定就效果爆棚。其实都是不存在的。
还有一位知乎答主ycszen，在他看来，最大弯路，就是迷信论文，不去实验。
DLML其实是一门实践性的学科，只有通过实验才能把握到其中的细节与真谛。虽说也是在写程序，但是DL的程序基本上无法直观地debug，所以非得自己去复现一下，实践一下，用performance来说话，才知道有没有出错。
尤其是DL，研究发展到现在，论文和实际做的东西脱节已经是心照不宣的事了。正因为NN+GD
的鲁棒性，你xjb搞好像也能搞上去，所以写论文很多纯粹在编故事(好论文除外)
所以，我们最好不要一味相信论文所说，尤其是各种解释(经典算法，优秀论文除外)。NN就是个黑盒，谁也别说谁。而我们能做的，更重要的是，去实践去复现，去去伪存真，去发现其中真正的本质所在。
而知乎答主：YukiRain（CV/ML方向研究生在读）则认为，非科班出身，刚转型AI的程序员最大的弯路是：没学好数学。
而对于数学基础好，科班出生的AI程序员来说，则应注意以下几个问题：
1.一开始没人带的时候，看论文喜欢看最新的，很大程度上忽视了很多比较老比较基础的论文，嫌弃以前的方法performance不好什么的......感觉我身边一些人也走进过这个误区......
2.永远不要迷信某个特定的模型，不要因为random forest在某个任务上效果好，就以后遇到什么任务都上random forest；也不要觉得深度学习就是万能的，什么都可以套神经网络解决；不要看到比赛里面大家整天用xgboost就整人云亦云地复制。学各种算法的时候，书上一般会告诉你这个算法有balabala优点一堆，但是一般不会告诉你这个算法也有balabala一堆缺点，我花了蛮长时间在这个坑里，慢慢摸索各种不同模型的特性。
3. 不要迷信一些理论性很强的论文，我一开始的时候，经常看到一大堆公式就下意识会觉得这个模型可能效果不错。事实上很多论文的理论推导和它的代码毫无关联（参见已经彻底回归炼丹的WGAN GP），还有很多论文的推导需要很强的assumption支持（参见每年都会出现在顶会的一些给模型加riemannian geometry的论文），等等。
那么面对这些弯路，又应该如何解决呢？
那就是走正统的教育路线，你follow的人一定是真正做事情的人。机器学习还没有达到批量化流水生产的阶段，因此一个好的“老师傅”比自学效果好很多。不仅如此，老师傅们一般都有自己多年经验总结出来的经验，往往可以避免很多不必要弯路。目前机器学习的资料有很多，动辄就有几个G的材料可以下载或者观看。而很多朋友都有“收集癖”，一下子购买十几本书的人我也常常能够看到。而机器学习的发展和变化速度很快，在入门期间，建议“小而精”的选择资料。这不仅可以节约重复学习的时间，也可以读有品位的材料。
为了防止我们走更多的弯路，小象给我们提供了一个follow大牛的机会，帮助我们强化机器学习中需要的数学基础知识，深入理解经典算法的数学原理，不仅可以掌握工业界广泛应用的机器学习模型，还会培养用机器学习解决问题的思路。
