本文主要是对于 GitChat 答疑《BP 神经网络入门：从原理到应用》的部分记录。
介绍
《BP 神经网络入门：从原理到应用》，作者:张仕超，研究生在读。 本科有过校赛培训经验，擅于清晰简明地讲解复杂的知识。本研期间获奖若干: robocup机器人中国赛亚军 类脑计算大赛二等奖 数模美赛一等奖……我的博客：http://blog.csdn.net/u014303046
QA
Q1. 文中的公式是怎么写的？
Q1. 文章都是 markdown 写的，公式是使用 latex 语法写的。
Q2. 公式都看不懂，数学基本都还给老师了，应该怎么办？
把数学都复习一下，复习建议：机器学习涉及到的数学知识主要包括：线性代数，概率统计和微积分。这些内容建议网上搜索斯坦福大学 CS229 课程（注意这里不是说的网易公开课的 CS 229 课程），课程所对应的补充资料里面都有这些内容的复习，这些内容比较精简，加起来大概 100 页不到，很适合初学者。
Q3. Python 工作环境是怎么样的？
对于 Python 初学者，强烈建议推荐 jupyter notebook和spyder。
jupyter notebook 可以让你像浏览网页一样编写和运行代码，并且支持 markdown 语法，可以让你做一些图文并茂的工作。 spyer和matlab很像，你可以在变量查看器里面查看程序的变量，这对于初学者调试自己的程序很有帮助。 另外，强烈推荐大家使用 Docker 管理自己的 Python 环境，Docker 类似于虚拟机，但是直接运行于宿主机内核，无需虚拟硬件，所以额外开销极小。
Q4. 数学的门槛比较高。
数学的学习确实很痛苦，不过对于初学者理解背后的数学原理确实很重要，希望大家一起努力。
课程链接：http://cs229.stanford.edu/syllabus.html，包括：线性代数，概率，凸优化，隐马尔科夫，高斯过程等。
国内对 CS 229 主线课程有一个翻译，可以参考一下，地址：https://github.com/Kivy-CN/Stanford-CS-229-CN。
还有林轩田的机器学习基石课程比较艰难，也比较深入。
知乎专栏：https://zhuanlan.zhihu.com/p/25197792，但是感觉不够深入。
如果时间充裕或者是学生，确实需要学习数学，如果是工程师，可以从 coursera 的吴恩达的机器学习课程开始学习。
Q5. 使用matlab辅助会不会好点？
机器学习还是建议使用 Python，因为无论是以后使用机器学习库，还是参考 Github 别人的代码，都是 Python 居多。
茶歇驿站
一个可以让你停下来看一看，在茶歇之余给你帮助的小站。
这里的内容主要是后端技术，个人管理，团队管理，以及其他个人杂想。