从上大学到工作以来，已经有几次准备系统性学习机器学习了，每次坚持不了太久便放弃了。
整体来看，由于自己数学基础很一般，但是对事又喜欢追根究底，对于某种算法或理论，一定希望能够在理论高度上全方位理解、证明、解释，不然万分痛苦，难以继续。机器学习涉及数学内容宽泛，往往开始一个算法学习之后，便需要一头转进茫茫数学大海之中。而数学这个东西，并不是短期内就能熟练或掌握的，所以学习进程很难继续下去。工作以后，平时学习时间更少，加上自己需要刷leetcode，便更少有时间能够系统性学习。这一来二去，浪费了不少时间。
最近由于工作原因，又必须捡起机器学习的学习，一上来我还是按照老套路来，之前已经复习过一段时间统计学了，感觉上是比原来好一些。但还是坚持不下去。
想来想去，只能把机器学习划分为两个独立学习进程：
1. 应用，只关注算法应用场景，使用方法，基本概念即可，不纠结于具体数学细节，数学证明，记住结论，把自己的疑惑感暂时镇压，把问题抛到第二个任务队列中。将算法应用到工作和实际生活当中，有直观理解和感受。完全当成黑盒来学。
2. 数学，机器学习算法的完整数学理论基础，涉及更多数学的就更广泛的去涉略。从两个方面来研究，一个是具体的问题和目标，一个是一本书或者一门课的刷。
这样一来，两种任务互不影响，着急的时候，只处理任务1，有空闲时间的时候，可以处理任务2，这样不会因为任务2而导致任务1的阻塞，任务1带来的成就感，也能促使任务2的消费。
不要时刻屈服于好奇心和求知欲的淫威，有时候会照成关注点偏移，需要适当延后满足.
