對於一些專業論壇來說，很多高手其實從大學或是高中就開始學程式語言，一些專業背景的例如Computer Science或是資訊管理科系，或甚至理工科系的畢業生，大多有些基礎或是已經投入在某些專業領域。因此對於沒程式基礎的小白來說，往往是一開始就讓人放棄的，讓小白想放棄的原因包括：
- 沒全觀視角
- 人工智慧、大數據、機器學習被濫用
- debug
以上說的這些問題，每個都可能讓新同學放棄學習python。因此建議在學習python之前。先仔細思考一下你學習python的目的，以及你在學習中會遇到的困難，還有你能取得到的資源。再決定你的學習路徑(包括一開始就放棄或選擇其他程式語言)。
- 沒有全觀視角
對於沒有程式基礎的小白來說，我個人覺得最核心的問題是一開始沒用全觀視角檢視自己該學習python的方向。由於python的應用範圍相當廣泛，從Excel到AI到一個完整的應用，python都能找到解決方案(雖然python可能不是這些需求的最佳解決方案)，當你直接從某個應用層面直接入手時，學到後來你可能會因為興趣、沒有基礎知識、產業需求等原因而放棄或多走彎路。因此選定你的切入領域便是最重要的事，接下來才有基礎積累、看懂特定主題的討論等快速成長。
從這邊舉個財經領域的學生比較熟悉，一般人也能懂的例子。假設你上了投資學裡面的股票技術分析，想找出一個有效的技術分析規則，或許還想嘗試一下程式交易。我們想一下這會遇到哪些流程：
- 一開始肯定是找到數據源，有些數據源可以讓你下載，有些數據源可能需要爬取網頁數據。
- 接下來是要清洗數據，例如不同的數據要拼接起來、有些數據空值要補0、有些股價要還原股票股利和現金股利、有些數據要直轉橫。
- 之後要開始計算無數的技術指標，也要做一些符合你需求的圖表幫助你值觀判斷。
- 接下來終於是這個需求的核心：開發模型找出這些指標的買賣信號。
- 你或許還想把這些模型應用到實際操盤中，因此你需要將你的模型部屬到機器上進行實時運算，這時候你得考慮到你面對的是每秒都有大量新數據的流式數據，以及你的機器以及代碼是否能撐的住這樣大量模型運算。
- 接下來這些運算結果是要將消息推送到哪個工具上？還是自動下單交易？
我遇到的另一個例子是，新同學用python在做數據清洗但一心只想學python，問完inner join問left join，接下來問right join還自認遇到不同的問題。連續幾天遇到的問題其實花30分鐘看一下SQL關於集合的觀念與語法邏輯，觀念性的東西一建立就能舉一反三全弄懂了，但是當新同學的視角只在一個小範圍上時，便會排持別人提供的經驗建議，學習的道路上往往會多繞圈子。
- 人工智慧、大數據、機器學習被濫用
某某報導說某機構利用大數據得出某個結論，阿就技術層面來說這就不是幾個Excel拼湊出來的東西嗎?
某某銀行說用AI做履歷篩選，是用影像識別技術幫應聘者看人相?還是用OCR技術將pdf/wor不規則的履歷表格式，快速萃取出學歷、工作經歷、技能等欄位的結構式數據?
這裡暫不討論這些技術的的定義，這邊站在新同學的學習角度，來辨認這些報導或討論哪個才能幫你學習python或其他開發工具。
例如說到AI，是在說哪個領域圖像?語音?自動駕駛?遊戲博弈?是用什麼演算法?
例如說到大數據，對方是在說hadoop?BI?Stream?kafka?
例如說到機器學習，是在說線性模型?隨機森林?XGBoost? 還是樞紐分析表?
- Debug
不管是新同學或是老同學，Debug是無止盡且躲不掉的。面對這些Bug，學習環境是很重要的。上完一個課程或是章節，真要獨立開發代碼時，面對bug或是處理一些問題時，身旁是不是有同事、同學、同伴能一起討論?
通常這也是最讓人挫折的一塊，安裝包裝不起來、換個平台沒法運行、錯誤紀錄看不懂。科班出身或是從事這領域的，自然能夠找到相關資源。但對新同學來說，就得先考慮一下自己獨力開發時的環境了 。
很多新同學是先學工具在去找學習目的，但沒有強大的興趣或是工作需求，python是很難鑽研下去的，光遇到的bug就夠你挫折了。以上說的這些其實要回到你學習python的目的了，你是為了上實習課?為了轉行?為了處理工作上的問題?先確認學習目標會讓你學習python(或學習其他程式語言)更有效率
No comments:
Post a Comment