大家好，题主目前国内top2研一在读，方向是AI和NLP.本科没有怎么接触过科研,这学期刚刚开始在实验室搬砖.读过的关于DL的书和资料包括:1.networks and deep learning> --Michael Nielsen2.<深度学习入门:基于python的理论和实现> --斋藤康毅3.<深度学习进阶:自然语言处理> --斋藤康毅4.习> --弗朗索瓦·肖莱5.machine learning with scikit-learn and tensorflow>这些书感觉都挺好理解的,也能上手敲代码,什么RNN,Attention,Transformer这些也都理解.我这个方向的一些前沿的论文也能理解个七七八八.但是随着深入学习,发现很多东西很难去理解,甚至不知道该从何理解,不知道应该将其归为哪个体系.比如VAE,CAVE,EM算法,隐变量模型,深度生成模型,变分推断,贝叶斯推断,玻尔兹曼机等等.读李航老师的那本<统计学习方法>的时候,也很容易卡壳.花书也不太读的懂.尤其涉及到一些概率方面的问题的时候就格外的懵.感觉深度学习从理论方面来说特别难,但实际的一些代码又比较的简单.请问大家我是知识结构出现了什么问题吗?有什么好的建议或者我现在应该怎么做呢?谢谢大家
看样子也没有你的书是读得太多了。学习过程中，书是先厚，后面再薄。书读好了，才能做到厚积薄发。如果读书时，没有循序渐进，想短时间把很多的知识都读进去，还要搞懂，这还真不容易。虽然人工智能，机器视觉，深度学习，强化学习，监督学习等等好多概念。但是别核桃枣子一把抓，一个一个的来。不会导致越学越懵。这是学习的规律，与学校无关。我91年上个重点(现在也是985)，我弟弟上了个Top2。我他学的专业是基本差不多。高考成绩，他比我多了42分(虽然这种比较完全不正确)。后来毕业考研。我报考XX交大，专业科太差，没考上(离线差8分)。我弟在毕业时考了他本校研究生，考上了。我发现，我考的非专业科都比他考得好，60多(不同时间做比较虽然不正确)。现在想起，那个学校和一般学校的不同在于，比一般学校学的课程多。学大学化学，金属腐蚀，线性代数，概率论，我们学校都没学过。我在弟弟的学校去过多次，也呆过一个寒假。发现那个学校全是自行车，学生基本上全都三点一线。学(图书馆)，吃，睡。而我的学校，同学中部分都在够级中度过四年。这种差距远不是高考分数的差距。去好的大学，不只是个象征。而是很不一样的改变。所以你就別懵了。
