人工智能&机器人 » 学习

[转载]成为优秀的开发者无需数学技能，但成为卓越的开发者需要

Yuan — Sat, 03 Apr 2010 22:07:57 +0000

原文：Alan Skorkin： You Don’t Need Math Skills To Be A Good Developer But You Do Need Them To Be A Great One 翻译：Xguru ,bearice：卓越开发者之道--成为优秀的开发者无需数学技能，但成为卓越的开发者需要我方才开始关于数学的思考。如你所知，我已经写了好几年的软件了，从实说来。我还没有找到在工作中有关数学方面的需求。有大量的新东西我必须得学习/熟练，比如语言、框架、工具、流程、交流技巧和在库上建立的库做你想到的任何东西。数学没有对其中任何一个起作用。当然这并不奇怪，这绝大多数我都是在一个又一个的模版上做建立，阅读，更新，删除（CRUD）的工作，这也是在我们这个互联网时代，多数的开发者在做的绝大多数的工作。你做的是专职顾问——你一般都在做网站，你在大公司内工作——一般都在做网站，你是自由职业者——你一般都在做网站，我深刻的意识到我逐渐精于此道，但是请忍一忍我，我跑题了。最后你对此有点厌倦，像我一样。不要误解我的意思，这可以是有趣和富有挑战性的工作，能提供机会去解决问题，能与有趣的人们互动。但是在我私人时间里建立更多的网站的念头已经有点失去其光泽了--你开始寻找一些有趣的、酷的、好玩的事来做，呃--又一次 --像我一样。比如视觉反馈技术就十分诱人。但我不是其中之一（和别人一样，我也喜欢优秀的前端技术，但是它真的不能使我兴奋），这就是为什么，当面对一些涉及探索的问题时，我决定更加深入的去挖掘的原因。这把我带回这个故事的开始，因为当我抓住这第一把充满探索、像隐喻般的铲子时，当我恰好需要用到数学时，我方才真切地了解到我的技能有了多大的退化。数学不像在骑单车那样 --你很久不用自然就会把它给忘了（然而我这几年没有骑车了，所以也许你也忘记了吧☺）开拓眼界学着多去探索一点，让我接触到各种有趣的软件和计算机科学相关的事物和问题(机器学习，自然语言处理，算法分析等)，现在在任何方面当我正视数学时，我就更加深切地感受到技能的缺乏。我意识到如果你想用计算机做一些酷和有趣的事的话，你需要达到令人满意的数学技能层级。除了我刚已经提到的，这里还有很多--比如密码学、游戏AI、压缩算法、遗传算法、3D图形等等。如果你想要写刚才我讲这类程序库或工具的话，你需要用到数学去理解这些供你所应用的领域背后的原理—而不仅仅只是使用它们（成为一个生产者而非消费者—借用一个操作系统中的隐喻）。即使你不想编写任何库，使用那些你理解其运作原理的事物去构建软件将带來更多满足感，而非只是把他们堆砌起來然后祈祷它们能正常工作。大多数开发者告诉你，他们在工作中从来不需要数学(就像我前面说的☺)，但是经过短暂的沉思之后，我灵光一现：这里就是逆Maslow锤子理论的体现。你知道这个吧—当你有个一个锤子，任何事看来都是钉子。这是一个隐喻：我们总是使用喜爱的工具，即使这工具对于手中的工作而言，它也许不是最适合的。数学就是我们的一个截然相反的锤子。我们知道这个锤子的存在，但是不太知道如何使用它，所以，甚至当我们遇见一个问题，而且我们的锤子可作为解决该问题的完美工具时，我们却从未认真考虑过它。螺丝刀对于我爷爷来说足够用了，对于我老爹来说、对于我来说，这也足够用了。谁需要锤子啊？数学的把戏在于 -- 人们怕他 -- 甚至大多数程序员也是。你认为我们不会，但是我们的确是这样的。因此，我们把我们的话转变成自我应验预言。并非我在工作中不需要数学，即使我需要了我也真的不清楚，我不懂如何去运用它。所以我设法不用它，当你足够长时间凑合着不用它的时候，不久你就更察觉不到它的消逝，从而对它的需求更加变少 -- 这就是自我应验预言。这是让我们靠近我们内心去思考的精神食粮——学习新的技术。作为一个协作世界的开发者，你力求成为一个通才型专家（如果你不知道我在说什么，就来看看这本书）.你试着成为体面地处理大多数事情，能非常好地处理其中一些事情。但是你所精通的是什么呢？一般人选择优秀的、值得的一两个框架或着一门编程语言，并且与其相伴。但是请考虑这个事实，框架和较小范围的语言也有限定的保质期。如果你打算把职业生涯建立在成为一个Hibernate、 Rails、Struts专家的基础上的话(Struts迷们现在真应该担心一下了☺)，当有新框架取代当前特性时，你将不得不在短期几年内将一切冲洗和重复。所以，这应该是你真正最好的投资 --也许吧,但是也有可能不是。另一方面数学它不会很快消逝。我们领域中的所有东西都是建立在坚固的数学基础之上（算法和数据结构可以作为其中一个例子）。所以你在数学上花的时间可以说是从未白费的。再重复一次，结论就是：与其死记硬背的使用某事，不如真正地去理解它 -- 当涉及到计算机时，数学能帮助你更深入地了解你做的任何事。事实上，Steve Yegge说过，我们作为程序员的所做为的很像在做数学，我们甚至都不了解它。怎样与众不同？你不相信我？那请想想看：大部分在我们领域受到人人尊崇的卓越的程序员同样也是卓越的数学家。我是在说像Donald Knuth [...] 相关文章

图灵和图灵机

Yuan — Fri, 02 Apr 2010 18:16:18 +0000

什么是计算?广义上讲,一个函数变换,把输入信息 x 变成输出信息 f(x)就是一个计算!如果我们把一个小球扔到地上,小球又弹起来了,你完全可以把小球的运动都抽象成一些诸如位置、速度、形状等等信息,而地面把小球弹起来就无非是对小球的这些信息进行了某种变换,因而地面就完成了一次计算! 自然中的一切过程都是在进行计算，碰撞的小球、流动的溪水、燃烧的火焰，大自然用自己的方式处理着大量的信息。如同在《黑客帝国》中一样，我们所生活的世界是计算出来的。著名的Mathematica 软件发明人沃尔弗莱姆（Wolfram）甚至宣称，整个宇宙就是一台大的图灵计算机。而美国ACM颁发的计算机领域最高荣誉是“图灵奖”。究竟什么是图灵机？图灵又是何方神圣？本文先景仰一下天才图灵，再了解一下图灵机的基本思想，然后看看图灵机是如何工作的。天才图灵艾伦·图灵（Alan Turing），1912 年 6 月 23 日生于英国伦敦西部帕丁顿住宅区一个中上层的家庭里。父亲在民间服务机构工作，经常来往于英国与印度之间。幼小的艾伦·图灵被托付给他父亲的一位朋友。很小的时候，图灵就显露出不同常人的天分。他仅用了三个星期，自己学会了阅读。他还表示出对数学难题的热衷。六岁那年进小学，女校长马上发现了他的聪明才智，为了怕他“吃”不饱，经常将后面的课程提前教给他。1926 年，他进入中学。开学那天，正赶上英国举行大罢工，公共交通瘫痪。年仅 14 岁的图灵提前一天只身骑自行车，飞速穿行 60 英里（近 100 公里）赶往学校，夜间留宿中途的小饭店，最后没有误了第一天的课。这件事在当地报纸上报道后引起轰动。图灵的爱好是数学和科学，而这所开办于十六世纪的著名学校，其传统是文学和艺术。校长给他父亲写信，认为图灵独自追求科学，有违学校育人的初衷，实在是浪费时间。但是，图灵不管这些，继续在自己喜爱的学科领域中不断展示才华。1927 年，他根本没有学习过微积分的基础知识，但是硬是将十分复杂的难题解决了。1928 年，图灵年仅 16 岁，开始接触爱因斯坦的高深理论。他不但掌握了这些理论，而且用爱因斯坦理论审视教科书中没有阐述清楚的牛顿运动法则。 1931 年，图灵进入剑桥大学国王学院学习。1934 年取得学士学位。1935 年，凭借他在国王学院中的关于高斯误差函数的学术报告而被选为助理研究员。 1936 年，艾伦·图灵发表了他的著名论文《论可计算数及其在判定问题中的应用》（On Computable Numbers, with an Application to the Entscheidungsproblem），论文设计了抽象的现代计算机模型，即图灵机。图灵高度概括了这台机器的结构和工作原理，从而为人们设计具体的实用的计算机指明了方向。 1950 年，图灵又发表了划时代的文章：《机器能思考吗？》，成为了人工智能的开山之作。图灵的天才还体现在二战期间用数学方法破译德军使用的一种优良的恩尼格玛发报机发出的任何密码，为此德军在英伦三岛与大西洋吃足苦头。图灵的身体素质也让人们所羡慕，它在 1947 年居然用 2 小时 46 分 3 秒跑完马拉松。可惜的是，就在他的事业刚刚达到顶峰的时候图灵自杀了。1954 [...] 相关文章

程序员能力评估矩阵：Programmer Competency Matrix

Yuan — Sat, 13 Mar 2010 13:56:01 +0000

真正的程序员只用0和1来编程？当然不是，一个合格程序员需要掌握计算机科学、软件工程、程序设计等各方面知识，还有实践经验。印度极客网（Indian Geek）列出了评估程序员能力的参照表：Programmer Competency Matrix（原文，中文翻译）。本文转载中文版，并自我评价一下，绿色为达到的，红色为欠缺的，黄色介于两者之间，也就是需要学习和强化的阶段。注意:每个层次的知识都是渐增的，位于层次n，也蕴涵了你需了解所有低于层次n的知识。计算机科学 Computer Science 2n (Level 0) n2 (Level 1) n (Level 2) log(n) (Level 3) 数据结构不知道数组和链表的差异能够解释和使用数组，链表，字典等，并且能够用于实际的编程任务。了解基本数据结构时间和空间的折中，比如数组vs 链表，能够解释如何实现哈希表和处理冲突，了解优先队列及其实现。高等的数据结构的知识，比如B-树、二项堆、斐波那契堆、AVL树、红黑树、伸展树、跳跃表以及前缀树等。算法不能够找出一个数组各数的平均值(这令人难以置信，但是我的确在应聘者中遇到过) 基本的排序，搜索和数据的遍历和检索算法。树，图，简单的贪婪算法和分而治之算法，能够适度了解矩阵该层的含义。能够辨识和编写动态规划方案，良好的图算法知识，良好的数值估算的知识，能够辨别NP问题等。编程体系不知道何为编译器、链接器和解释器。对编译器、链接器、解释器有基本的了解。知道什么是汇编代码以及在硬件层如何工作。有一些虚拟内存和分页知识。了解内核模式vs用户模式,多线程，同步原语以及它们如何实现，能够阅读汇编代码。了解网络如何工作，了解网络协议和socket级别编程。了解整个程序堆栈、硬件(CPU+内存+中断+微码)、二进制代码、汇编、静态和动态链接、编码、解释、JIT（just-in-time）编译、内存碎片回收、堆、栈、存储器编址… 软件工程 Software Engineering 2n (Level 0) n2 (Level 1) n (Level 2) log(n) (Level 3) 源码版本控制通过日期备份文件夹 [...] 相关文章

华山论剑 ——《学术会议高手速成之七种武器》

Yuan — Fri, 19 Feb 2010 02:08:40 +0000

不久之前在网上偶然看到《学术会议高手速成之七种武器》，觉得非常经典，今天又翻出来读一读，温故而知新。文章以诙谐的手法，把 学术界 比作是 江湖；而 学术会议 则是 华山论剑。要想混迹于江湖，华山论剑是少不了的；但是 学术江湖，虽无刀光剑影，却有血雨腥风。 对于我这种初入江湖的晚辈来说，榕二前辈在文中给出在学术会议上常用的七种武器非常实用。虽然题目讲速成，但是要想掌握这七种武器并不容易；特别是最后两种武器，不仅要练习招式，更要修心才能练成。文中的七种武器可以归纳为下表（原文非常生动有趣）：(...)
阅读全文：华山论剑 ——《学术会议高手速成之七种武器》

如何在麻省理工学院人工智能实验室做研究

Yuan — Sat, 30 Jan 2010 00:58:42 +0000

作者：麻省理工学院人工智能实验室全体研究生

编辑：David Chapman 译者：柳泉波

来源：英文中文

摘要

本文的主旨是解释如何做研究。我们提供的这些建议，对做研究本身（阅读、写作和程序设计），理解研究过程以及开始热爱研究（方法论、选题、选导师和情感因素），都是极具价值的。

This document presumptuously purports to explain how to do research. We give heuristics that may be useful in picking up the specific skills needed for research (reading, writing, programming) and for understanding and enjoying the process itself (methodology, topic and advisor selection, and emotional factors).(...)
阅读全文：如何在麻省理工学院人工智能实验室做研究