整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
HTML5中，可以使用MathML（Mathematical Markup Language）來顯示數學公式。MathML是一種XML語言，它允許在HTML文檔中嵌入數學公式。以下是一個簡單的例子：
<!DOCTYPE html>
<html>
<head>
<title>MathML Example</title>
</head>
<body>
<p>展示簡單的數學公式：</p>
<math>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mi>y</mi>
<mo>=</mo>
<mi>z</mi>
</mrow>
</math>
</body>
</html>
網頁展示效果如下
展示簡單的數學公式：
x+y=z
在上面的例子中，使用`<math>`標簽來包含數學公式，使用`<mrow>`標簽來定義公式的行，使用`<mi>`標簽來定義變量，使用`<mo>`標簽來定義運算符。可以根據需要添加其他標簽和屬性來創建更復雜的數學公式。
除了MathML之外，還可使用JavaScript庫（例如MathJax）來在HTML5中顯示數學公式。這些庫允許使用LaTeX語法（LaTeX 常用語法匯總 - 知乎）來編寫數學公式，并將其轉換為HTML格式。這種方法更加靈活和易于使用，但需要加載額外的JavaScript文件。
希望這可以以此為開始，在HTML5中學習使用數學公式。
于想自學HTML5大前端的人來說，他們大多數都是非常盲目的，不知道自己改如何入手，很多人在網上找一些視頻，然后瘋狂的過視頻，很快就把一塊內容都學完，他們理解的學完了就是視頻看完了，但是讓他們動手去做東西卻做不出來，而我的理解學完了就是自己能寫出東西，所以對于初學者來說一定不能盲目，要有自己的規劃,不然就是浪費時間白忙活。
既然是學習專業技術，我個人的建議是，一定要有一個能指導你的人，不能都靠自己閉門造車，這樣的行為并不聰明，結識一位這方面的人才，時不時去問問人家問題，不然你可能會發現一個小問題能困擾你一天，最后還不知道是什么原因。
?
學習HTML5大前端技術，不能跟學數學語文一樣對待，比較剛接觸代碼是不容易記住的，所以要掌握上述的技術，你還要知道學習HTML5大前端技術有哪些“坑”。對于學習方法這塊是尤為重要的，怎么學才能讓你學完了，能記住之前學的知識，不至于學完了就忘，這個問題值得你學習之前去思考的。
HTML5的學習順序如下:
第一階段:HTML5+C33S新屬性
在第一階段中,我們不僅要學習HTML+CSS的靜態布局,還要把HTML5的新特性,CSS3的新屬性掌握的非常好,可以說HTML5就是另一種的JS,專門寫特效。
第二階段:JS+JQ
在第二階段中,我們迎來了比較難搞的JS,JS作為前端開發者的工資標準,還是不容小視的,不要把他想的太簡單,學習JS要有獨立的思維,不然很難學好,而JQ是JS封裝的框架,只要底層的東西學好,這些就沒有問題。
第三階段:框架node.js ves.js 等等
進去了我們的框架階段,就是目前公司都要應用的框架,這個肯定要難一點,還是那句話,底層的JS理解透徹,這些框架同樣也是小事情。
第四階段:整合項目實戰學習
項目實戰非常的重要,現在公司都要那種有項目經驗的人,所以多給幾個項目實戰,是非常有利于找工作的。
不管學什么技術,只有根據自己的情況制定適合的學習方法才好。這個時代沒有輕松掙錢的工作。學習前端一點捷徑都沒有。
剛 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
今天是開學第一天！心里只有學習的量子位，發現Hacker News上又有高分話題，而且還跟學習有關！
這次討論的主題是：
想搞機器學習/AI需要怎樣的數學基礎，有什么推薦的入門資料/課程？
凡事總須研究，才會明白。看到這個話題，心里只有學習的量子位（×2）仔細看了半夜，這些討論寫著許多字、說了許多話，不過滿篇可以分類為三個部分：
中肯建議
教材書籍
視頻課程
獨學習不如眾學習。量子位就把學后感整理如下，一起遨游知識的海洋吧~
這部分內容的主要貢獻者包括：mindcrime、tlb、jules、rocqua、srean、leecarraher、irchans、KirinDave、wadams19、pramalin等
首先
多變量微積分、線性代數、概率論、信息論，這幾門必須基礎扎實。精通圖論也挺有用的。
大部分機器學習是對數據的模型擬合。為了擬合模型，需要把一些誤差當成真實參數的函數，并對其進行最小化。最小化的算法基于梯度下降，也就是依賴于導數，這就是一種微積分運算。
如果你在做貝葉斯推理，你也需要用到微積分，因為貝葉斯定律將后驗分布作為一個積分。
搞機器學習你只需要微積分1和2，微積分3里的旋度和散度、斯托克斯定理之類的，學物理用得上，機器學習不用這些。另外，你可能還需要一些微積分4中的基本函數分析。
（量子位注：此處微積分1234指的美國大學課程體系）
微積分的本質之一，是反映了事物的變化，對于變化的平順性提供了一個很好的描述。一個處于最佳狀態的系統，在某個確定的點上不再增減變化。
機器學習中的許多問題都是優化問題：在給定一些約束的條件下，怎樣選擇參數才能讓錯誤最小化？通常這非常困難（NP-hard），但如果你把問題設計為“平滑”，那么就能通過微積分來獲得很好的代數解。
多變量微積分也是需要的，在嘗試最小化“錯誤”時，通常會通過每次更改許多、許多參數來實現。這意味著你需要知道如何在高位空間進行平滑變換。
而微積分的中的積分，用來“測量”物體大小。大部分概率是用來描述非常籠統的比例。“這塊有多大”的問題類似于“這件事發生的可能性有多大”。解決問題的辦法，就是用數量龐大的小塊集合在一起，形成一個復雜的整體。
所以從根本上講，機器學習取決于如何測量一件事（積分）并且知道這件事如何變化（導數）。從某種程度上說，這兩件事就是你在微積分中學到的。
我數學背景還不錯，但想要搞明白K-L散度時，還得重新研究一下。在機器學習領域，幾乎我遇到的信息論問題都是最小化K-L散度，這些看維基百科都能搞懂。你還得能理解具有概率輸出的模型，比方生成模型和強化學習等。
如果你要閱讀學術期刊，至少下面這些知識點應該懂一點：
統計學核心。你得熟悉統計學家如何處理數據，這常常用到
微積分。你不需要成為解題達人，但得明白多個變量進行微分和積分的過程
線性代數。一切的基礎，比統計還重要
數值計算的方法。我不斷的查看資料，以搞懂大家為什么那樣做
計算理論以及相關研究。熟悉這些能讓你發現錯誤，找到改進的方向
我的下一個挑戰是非參數統計。許多研究者跟我說這一領域會得到很多收獲，許多方法能極大的改進機器學習
還有人覺得，機器學習中最需要數學的地方，莫過于理解反向傳播時。反向傳播幾乎都是偏導數/鏈式法則什么的。還有很多機器學習涉及一些微積分的凸優化。
但是
我們得分清“應用”和“研究”之間的區別。并不是每個人都在做最前沿的研究。有人下載一個DL4J，看幾個教程，就能搭建一個基本的網絡來解決問題，這個過程中也創造了價值。
機器學習雖然還沒來到完全不需要關心底層細節的時間節點，但我們確實已經可以合法獲取很多現成的工具，而不需要動手推導反向傳播的方程式。
講真，大多數情況下在工作中應用已知的方法，并不要求搞懂背后的數學，只需要了解基本的統計數據和概率論，能解釋結果就好了。所以，如果你只是簡單的使用別人做好的工具來解決問題，真的不需要什么數學背景。
一個本科生就能學會漂亮的解決問題，而不需要深入研究底層的數學細節，就權當做是工程問題的最佳實踐。大多數實際工作中，并不用演算低級別的架構或公式，通常都是從已經選好的框架中，把想用的東西跳出來而已。
另一方面，如果你面臨的問題不能用現成的方法搞定，這時候數學背景就派上用場了。如果你想在框架里應用一個全新或者小眾的架構，就得搞明白之后才能寫出來。
在應用和研究機器學習技術之間，有很大的不同。總的來說，單純在應用這一端，并沒有太多嚴格的數學背景要求。
需要多少數學，取決于你要在機器學習/AI領域扎多深。
如果只是應付工作，那你走運了，現成就能用的東西原來越多了。例如DataBot、H2O、Scikit-learn、Keras（加TensorFlow）……可能唯一必備的數學技能就是統計學。無論你選擇了哪種解決方案，采用了何種自動調整和選擇的算法，都得需要一些統計數據才能說明你的模型有效果。
想進一步提升自己，還可以花更多時間學習特征提取、數據工程，好好研究一下上面提到的幾個工具包，特別是其中的模型。
如果你想研發新的技術和算法，天空才是你的極限，不過還是得統計數據。
那些已經大量使用的機器學習和AI框架，其實只是頂著一個數學的帽子，你完全可以把它們當成可靠的黑盒系統來用，沒必要理解模型的生成過程和設置。很多工具可以告訴你哪些算法對你的數據最有意義，甚至能幫你找出最有效的那種。
雖然這說起來令人沮喪，但真的已經不是非得有博士學位才能干這行了。
不過，即便你能干的事情跟博士科學家差不多，也不意味著有人會雇你。雇主還是會看重數學、計算機科學或相關領域的博士學位。但這些可能更多出于其他方面因素的考量，而不是搞機器學習/AI的必要條件。
了解數學能讓你更好的理解工作，減少愚蠢犯錯的可能。
上面講到的工具，建議試試完全自動化的黑盒機器學習管道，比方說TPOT。盡早上手，以及可以推薦給你的產品經理朋友。
TPOT即Tree-based Pipeline Optimization Tool，這是一個基于遺傳算法自動選擇、優化機器學習模型和參數的工具。通常模型有非常大量的參數需要調整和優化，這類工具可以節省找到最優參數組合的時間。
不過，許多機器學習從業人員對這類自動化機器學習管道非常警惕。如果沒有理解這些工具的基本統計/數學假設，可能會遇到很多坑；而這種一刀切的解決方案，也可能會給出誤導性的結果。另外使用這類工具，也讓解釋原因和結果的工作變得更加困難，一個“黑盒子”很難得到價值認同。
TPOT的GitHub地址：
https://github.com/rhiever/tpot
到底應該怎么開始學習？
建議一：有兩種方法來學習機器學習/AI：1）閱讀所有資料，然后開始解決問題 2）先開始解決問題，然后根據需要學習相關的數學知識。第二種方法更好。
建議二：首先在Coursera上看吳恩達機器學習和深度學習的課程。選擇你感興趣的領域和問題。接著閱讀機器學習/AI在這一領域如何應用的論文。然后動手重現你已經搞明白并且感興趣的論文。
建議三：這個學習計劃我覺得非常有用，很好的列出了所需課程和時間框架，地址在此：
https://www.analyticsvidhya.com/blog/2017/01/the-most-comprehensive-data-science-learning-plan-for-2017/
接下來開始分享資源。先從書籍講起。
這部分內容的主要貢獻者包括：CuriouslyC、rdudekul、kgwgk、charlescearl、ChadyWady等。
我認為最好從David MacKay的《Information Theory, Inference and Learning Algorithms（信息論、推理與學習算法）》入手，內容可能有點老舊了，但仍然是這個領域最平易近人的書籍之一。
在線版本：
http://www.inference.org.uk/itprnn/book.pdf
另一本推薦的舊書是E. T. Jaynes的《Probability Theory: the Logic of Science（概率論：科學的邏輯）》。
在線版本
http://www.med.mcgill.ca/epidemiology/hanley/bios601/GaussianModel/JaynesProbabilityTheory.pdf
以及Tibshirani的《Elements of Statistical Learning（統計學習元素）》。
在線版本：
https://web.stanford.edu/~hastie/ElemStatLearn/
Andrew Gelman的《Bayesian Data Analysis（貝葉斯數據分析）》也很好。
在線版本：
http://hbanaszak.mjr.uw.edu.pl/TempTxt/(Chapman%20&%20Hall_CRC%20Texts%20in%20Statistical%20Science)%20Andrew%20Gelman,%20John%20B.%20Carlin,%20Hal%20S.%20Stern,%20David%20B.%20Dunson,%20Aki%20Vehtari,%20Donald%20B.%20Rubin-Bayesian%20Data%20Analysis-Chapman%20and%20Hall_CRC%20(2014).pdf
想了解這個領域最新的額進展，建議閱讀Ian Goodfellow和Yoshua Bengio的《Deep Learning》。
在線版本：
http://www.deeplearningbook.org/
推薦一本我本科時候用的統計學教材：《Probability & Statistics for Engineers & Scientists》。
在線版本：
https://www.amazon.com/Probability-Statistics-Engineers-Scientists-MyStatLab/dp/0134468910
再推薦一些網上免費的數學參考書：
在線數學教材匯總
http://people.math.gatech.edu/~cain/textbooks/onlinebooks.html
免費數學教材
http://www.openculture.com/free-math-textbooks
開放教材圖書館
https://open.umn.edu/opentextbooks/SearchResults.aspx?subjectAreaId=7
MIT在線教材
https://ocw.mit.edu/courses/online-textbooks/#mathematics
美國數學研究所認證教材
https://aimath.org/textbooks/approved-textbooks/
AI是一個非常廣闊的領域，每個細分領域都有不同的數學背景要求。掌握所有的數學知識是不可能的，所以你得想清楚對什么感興趣。
同時推薦一本Russell和Norvig的好書，覆蓋了人工智能中很多不同的主題。無論你本科學到了什么，這本書都可以提供了一深入了解AI的良好起點。
這本書是《Artificial Intelligence: A Modern Approach》，中文版名稱《人工智能：一種現代方法》。
英文版地址在此：
http://aima.cs.berkeley.edu/
另外附送一份Michael I. Jordan之前開出的書單。
地址在此：
https://news.ycombinator.com/item?id=1055389
上述在線內容都是合法的。合法的。合法的。
再來就是視頻課程匯總。主要貢獻者包括：72mena、leecarraher、mindcrime、rdrey等。
YouTube以及Videolectures.net上有很多高質量的數學視頻教學內容。
之前提到的David MacKay，合輯在此：
http://videolectures.net/david_mackay/
Leonard教授合輯在此：
https://www.youtube.com/user/professorleonard57
Gilbert Strang合輯在此：
https://www.youtube.com/results?search_query=gilbert+strang
3Blue1Brown合輯在此：
https://www.youtube.com/channel/UCYO_jab_esuFRV4b17AJtAw
還有畫風清奇的Siraj Raval講人工智能中的數學：
https://www.youtube.com/watch?v=xRJCOz3AfYY&list=PL2-dafEMk2A7mu0bSksCGMJEmeddU_H4D
我的建議是，先快速看一遍Jeremy Howard的講座，這里面有很多機器學習/AI的應用案例，而且只需要一點點的數學背景就能看懂。
地址在此：
http://course.fast.ai/
接下來可以去Coursera上吳恩達的新課程，比原來的課程更容易接近，但仍然會有一些方程式讓你不知所措，不過你肯定能實現出來。地址在此：
老課程《機器學習》：
https://www.coursera.org/learn/machine-learning
新課程《深度學習》：
https://www.coursera.org/specializations/deep-learning
再推薦一個統計學課程，德州大學奧斯汀分校統計和數據科學系Michael J. Mahometa主講的《數據分析基礎》。
地址在此：
https://courses.edx.org/courses/course-v1:UTAustinX+UT.7.11x+3T2016/course/
小建議，在這個課程中講師使用了R語言，我覺得還是Python更好。
另外，Coursera上有一系列的統計課程還不錯。不過貝葉斯統計這門課有點難，建議買一本書或者補充點其他課外資料。我推薦這本書：《Bayes’ Rule: A Tutorial Introduction to Bayesian Analysis》
亞馬遜有售：
https://www.amazon.com/Bayes-Rule-Tutorial-Introduction-Bayesian/dp/0956372848
想搞機器學習/AI但數學不好的孩子，或者還有？快把這篇發給他。
救救孩子……
二零一七年九月。
傳送門：肉身前往Hacker News觀摩，請點擊左下角“閱讀原文”。
課外閱讀
量子位在知乎上也發現一個質量很高的討論。主要是王乃巖談“如何判斷一個面試者的深度學習水平？”，賈揚清等也參與了回答……
在量子位微信公眾號（QbitAI）對話界面，回復：“naiyan”這六個字母，即刻前往觀摩。
如果你有更好的推薦，歡迎留言，讓更多朋友看到~
— 完 —
誠摯招聘
量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復“招聘”兩個字。
量子位 QbitAI
?'?' ? 追蹤AI技術和產品新動態
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
