本科生应该注重代码实践，不能花费大量时间钻理论。

       本科生理论知识切钻的太深。目前，国内博士生毕业相当困难，因为他们毕业时要写出创新性质的研究。或者老问题新思路，或者提出新问题。但是对于一个研究领域，比如机器学习，如果完全自己想出一个崭新的思路解决问题是非常困难的。因为在研究生资历范围内，能想出的idea或者解决某问题的方法，都已经被一下大牛在十几年或二十几年前想出来并且实践过了。与其自己花费时间想不如直接学习那些大牛的先进方法，然后适量优化。谈到优化，如果这些大牛的思路比较流行，或者开源。经过其他牛人的改进或者使用过之后，或许博士生连优化的空间都没有了。现在好多研究生能在别人的文章或代码上能做一些小小的优化，哪怕细枝末节的改进，都像淘到宝贝一样，写一片文章声明成就。博士生的理论水平尚且如此，本科生更不用说。

       能看懂流程，达到能读懂代码的程度就赶紧动手掌握代码。本科生就业时，IT公司的面试题目大都是算法题目，或者某些架构模型粗略的知识。比如lda中的bayes模型，他们只会问怎么用，和如何优化，绝对不会问bayes起源，属性之类的，估计这些知识只有统计学专业的教授才能打的出来。本科生要做的就是了解和理解如何用，和如何更好的用这些理论，然后重点是实践部分。然而对于一些理论较强的专家，他们能在国际或者国内发表一些先进的文章，但是理论能讲的通，他们却不一定能自己实现出来。好多非计算机系的牛人写出改革性或先进的文章后，其他人读了会找他要代码。但是他们大都说代码丢了，或其他理由推脱。不是为了封装，而是自己写不出来，他们写文章只能让那些专业写代码的牛人帮助实现。对于这些文章，同时让这个教授自己和一个拿过奖的ACMer写，很有可能ACMer写的代码性能远远高于这个教授。总之，对于本科生来说，走理论的路太难，并且成功也只有很低的概率。与其自己靠拙劣的基础研究，不如开放思想去认知别人先进的思想和代码。

       理论学习的程度。应该有两种程度，先到达应用程度，后到达理解原理的程度。第一个应该比较好达到，可以大概看看论文，然后直接读代码。根据代码在决定哪一块重看或细看。理解原理，这一点一定要把握好度，本科生要以代码为主，然后以后根据实际情况再看，螺旋式学习。