盯着那本写了一半的机器学习笔记，你是不是也感觉前面花了三小时抄的公式，现在一个都推不动？翻回第一页，全是课本原话，可关上课本连损失函数都说不清。后台经常收到这样的留言：“笔记记了白记，复习时还不如刷一道题。”别急，这坑我替你踩过，今天直接说人话，把笔记怎么记才不白费力气的事掰开揉碎。

先别急着记新的，这几个坑我替你踩了

　　第一个坑：只抄公式，不画推导路径。很多朋友以为把梯度下降的公式抄一遍就算记笔记了，结果两周后看到矩阵求导就懵。公式推导卡壳的时候，最好拿张白纸自己把链式法则一步步写下来，哪怕写错，也比抄一遍管用。记笔记的核心不是复制，是“用你自己的话讲一遍”。第二个坑：不分主次，什么细节都写。一页纸上密密麻麻排满文字，重点字段和废话混在一起，复习时根本不知道哪里是考点。记住：机器学习笔记里只需要三类东西——核心假设、数学本质、代码实现。模型参数记不住？那是因为你把超参数、可训练参数、统计量全堆在一起，却没列个表区分。

怎么记才不白费力气？三招改掉习惯

　　第一招：用问题驱动笔记。别从“什么是决策树”开始，而是问自己“一棵树要怎么分裂才能让预测最准？”然后顺着这个问题去记录信息增益、基尼系数的推导。第二招：画概念地图。每学一个算法，把它的前提条件、输出现状、评价指标用箭头连起来。比如线性回归假设误差服从正态分布，这一条缺了会怎样？记下来，以后碰见数据异常就知道怎么排查。第三招：定期做减法。学完一章后，把笔记里自己已经能背出来的内容划掉，只保留那个让你“啊哈”一下的点。这能帮你把几百页压缩成几十句精华。

　　有的朋友可能遇到过这种情况：把吴恩达的课程笔记抄了整整一本，回头面试被问“解释一下SVM的对偶问题”，死活想不起来。原因就是笔记里全是老师的逐字稿，没有自己的思考痕迹。所以，我建议每记完一个算法，立刻去写一小段代码验证一下，哪怕跑个sklearn样例，也比干记强百倍。记完的机器学习笔记，最好三天后回看一次，那些看不懂的地方，就是你需要补的漏洞。

　　最后说一句：笔记是服务思考的，不是用来装订成册的。问题解决了就去调代码，别在这耗着。