先做后学
再来说 build in public。之前我就关注了一个叫 张咋啦 的小红书博主，她学历和工作背景都很不错。她是 build in public 的提倡者。她还现身说法，在小红书分享自己在 X（原 Twitter）上发了一篇关于成年人在 AI 时代如何学习的文章，这篇文章还被很多大牛转载，我看了也很有共鸣。
我想说，像我这种普通人，如果要在 AI和ML方面 build portfolios该怎么做呢。比如我在Coursera上自学完一门课程，拿到了证书，接下来该怎么做呢？首先就是做出一个成果，向外界展示自己是有学习能力、能上手做事的。
她文章的核心观点是“do first learn later”，这点我深有感触。我来英国学习之后才发现，自己更倾向于边做边学，或者边学边做的模式。 国内学校的教育是给一个大纲，要求学生像 AI 一样，在脑海里构建一整套体系，但我不是这样。我倾向于从底层开始搭建（build from bottom up），从一个点出发，慢慢往上搭建，搭建过程中会联想到其他东西，然后进行关联。当学习新东西时，我也会不断和学过的东西进行关联。这种方法对于理解复杂事物很有帮助，不要一上来就拿着一本教科书按顺序学。
在爱丁堡学习的时候，在本专业课上，除了课程论文，平时的作业还包括写博客。这要求我们把学过的知识、自己经历过的事情以及反思和新学的理论相结合，这就是边学边做的一个例子。
我还参加了学院组织的一些定量研究的工作坊（workshops），比如R语言、SPSS，这些也非常强调边做边学。它们不是一上来就告诉你各种语法应该怎样，而是布置一个具体的任务，不管你是否有基础，都会比较直观地告诉你应该在界面上做些什么。
从这些工作坊入门之后，我发现自己缺乏定量研究中需要的统计学方面的知识。再加上受我的攀岩搭子的影响，他很厉害，准备读博。我看了他的个人经历后，也想像他一样，于是下定决心要努力自学统计学和概率论的知识。其实概率论我之前也陆陆续续接触过一点，还看了《逻辑学导论》这本书，不过只看了前面一部分，但大致对这本书有了一点了解，发现它跟概率论有一定联系。
还有一个因素是一位非常厉害的辩手庞颖出了一本书，叫《思辨力36讲》。我读了这本书，发现里面很多内容跟概率论、统计学以及《逻辑学导论》里的一些观点是重合的。虽然它讲的是思辨，但思辨里面内含的其实是逻辑，还有一些统计学、概率论的底层原理，我突然发现它们都是相通的。统计学和概率论侧重于技术理科方面的思维，而庞颖的这本书是写给那些喜欢辩论或想提升自己思辨能力的人，比较容易应用到日常生活中。不过，我觉得它里面一些概念的引入或举的例子不够贴近生活，即便我看过了统计学和概率论的相关知识，里面提到的一些概念我还是不太清晰。
我采取的是“先做后学”（Do first, learn later）的方式。我先参加了线下的工作坊，了解到实际做研究时是如何运用这些理论和知识的。做了之后，我发现自己缺乏哪些知识，然后就去自学。自学过程中我也是先行动。我买了一本《Ace The Data Science Interview》，这本书是2021年的，距离现在已经有4、5年了，在现在飞速变化的时代，有些东西也许有点过时了。买了这本书后，因为当时我想转码（其实一直有这个想法），想去做数据分析师，虽然现在觉得这想法比较天真，但至少我迈出了第一步，而且让我没想到的是，因为有了定量的基础，我能更好地理解质性研究了，这就是在比较中学习。我浏览了一下它的目录，大概知道作为一名数据科学分析师（Data Scientist）需要具备哪些知识，包括概率（Probability）、统计（Statistics）、机器学习（Machine Learning）、SQL、数据库设计（DB Design）、编码（Coding）、产品意识（Product Sense）、案例研究（Case Studies）等。
我当时是这样开始学习的，我去YouTube上找教程（tutorials），发现了3Blue1Brown这个频道。它带领我了解了概率，我知道了贝叶斯规则（Bayes' Rules）。当然，这也受我搭子的影响，我看到他的研究方向是有关贝叶斯的，当时很好奇这是什么研究方向，就去YouTube上搜，很容易就搜到了3Blue1Brown高质量的视频，然后就垂直入坑了。我觉得很有意思，而且这能训练我们的逻辑思维能力，也能锻炼思辨能力。所以我觉得思辨不只是文科生的事，其实思辨背后还是有理科知识支撑的，这就是理科思维的好处。
我当时虽然买了那本书，但没有从头开始学，而是通过一个点，比如说我刚刚说的 probability（概率）去切入。我发现自己对这方面很感兴趣，就开始学习相关内容。
时不时我会浏览一下《Data Science Interview》这本书目录里的内容。某天我发现，学习 probability 有些内容需要具备 statistics（统计学）的背景才能更好地理解，它们之间有重叠部分。于是我找到可能产生连接的地方，顺着这个连接去学习 statistics 相关的东西。我都不知道自己是怎么开始学的，浏览完目录，学完 probability 后，又像刚刚说的那样通过链接式的方法学习 statistics。
学习 statistics 时，我发现它需要具备一些假设检验等统计学知识，而这些知识正是我在学院的 workshops里所缺乏的。学习 statistics 我是看 YouTube 的视频，学着学着又发现它需要我具备一些数学知识，比如微积分。我就去找 3Blue1Brown 的视频学习微积分，他的视频看着很享受。学完微积分后，我边学边制作 Anki 的闪卡帮助自己回忆，还借助 ChatGPT 帮我生成问题。
总体来说，我从对这本书几乎什么都不理解的状态，渐渐到能看懂了，这是非常有成就感的事情。先不说能不能做书上的面试题，以我现在的水平可能过不了数据科学的面试，但至少我对这些内容有了一些了解。按照这样的节奏，我学完了 probability 和 statistics。
我发现数据科学还需要具备机器学习的知识。这时我想到我的攀岩搭子，他在简历里写到在 Coursera 上了一门机器学习的课程，还取得了证书。我去搜了这门课的评价，发现评价非常高，是 Andrew Ng 作为导师上的一系列课，讲得深入浅出，学完后我对机器学习大致有了一些了解。
机器学习最需要具备的数学知识是线性代数，我上Coursera的同时，又去 3Blue1Brown 那里学习线性代数。
我把这本书列出的需要具备的知识当作大纲，但没有把它当作教科书。我只是在需要查看自己知识定位到哪里时，才打开这本书的目录做一下对比，顺便看看接下来应该往哪个方向做知识链接，这样我所学的知识就能形成一个网络。
在学机器学习之前，这本书比较后面的章节提到需要具备编程和数据库处理的能力，比如 SQL 和数据库设计，这些属于计算机编程类的内容，和机器学习涉及的算法、统计学里的假设检验等大数据角度的内容不同。
为了增加我计算机方面的知识，我去上了 CS50 的课，这是计算机入门的一系列讲座，里面有很多实践内容，每周会让学生解决一个问题，但因为时间关系，我只听完了讲座。其实之前我就买了 Zero To Mastery 网站的年度会员，里面有很多像软件开发、Python 开发等计算机编程类的课程，讲得也深入浅出。
最后，特别表扬一下Andrew Ng教授的Machine Learning Specialization，这门课，有个非常好的点就是，在每一节视频之后，它都会提供一个 Jupyter Notebook 练习，你可以在上面写代码。也就是说，你不仅仅是学到了机器学习（Machine Learning）的概念，还能上手实操，了解它在实际编程中是怎样体现的。
在这个过程中，我采用的就是“先做后学”（Do First, Learn Later）的方法。看视频的时候，我会做笔记，遇到不懂的地方，我不会纠结。而以前我要是有一点不懂，就会去 ChatGPT 上查询，结果时间线拉得非常长。后来我就想，即便老师讲课水平非常厉害，某个点我没听懂，可能不是老师的问题，而是我自己某个地方没转过弯来，或者因为没有结合真实操作的例子，所以不理解。这可能也不是我的问题，也许是我本身不适合这种输入方式，所以我就放过自己。这个点不懂就先记下来，等这一章节结束后，到 Jupyter Lab 上去实际操作一下，看看能否理解和消化。这就是先做，然后再慢慢学，而不是纠结于授课视频。因为授课视频不可能事无巨细地讲解，一般都是讲重点，所以可能你无法了解某个算法的全貌，以及它在实际应用中的做法。
所以没必要在授课视频里不懂的地方纠结，先记下来，等能上手操作之后再去看、再去问问题，这样效果更好。
这就是“先做后学”（Do First, Learn Later），而不是先把东西完全理解、记忆好，再去做实操。因为有些东西不实操，永远都是比较抽象的。不在实际例子中做一些调整，最终也没办法理解它到底在说什么。
所以对于如何build my porfolios，我也要先做后学，从一个最粗糙的版本开始。