排在最前面的是@Leonoel講述的一個高票故事：
「故事時間。
我喜歡和我的學生講這個故事來激勵他們，同時也希望能減輕他們的『不懂裝懂綜合症』。
在NIP 2013上，當時有一位演講者的演講我完全聽不懂。這是我博士的最後一年，這讓我產生了警覺。我開始感覺很糟：作為一個新出爐的博士，我竟然沒有能從NIPS的主題報告中學到任何東西！
當時坐在我旁邊的兩個朋友，其中一位是UC Berkeley的Michael Jordan，另一位在波士頓和Andrew McCallum一起做研究。這兩位教授在機器學習界的大名如雷貫耳，所以我想當然的想，他們應該從這個報告中學到不少東西。
但最後，他們告訴我，他們同樣聽得一臉懵逼。
這個故事的含義是：機器學習是一個巨大的領域，如果你在你自己的領域花了足夠多的時間，你很有可能難以對其他領域了如指掌。不要浪費你的時間去了解每一件事情。
還有另一個例子：我有個朋友是普林斯頓的數學家，但他從來沒有理解過機器學習背後的數學，因為他主要是做數學理論研究的。」
在這個回答下，網友@iamiamwhoami做了補充說明：
「你在應用領域社區混久了就會感覺到，有的人真的是不怎麼擅長解釋他們的研究。」
@gionnelles也做出了類似的回答：
「如果有人聲稱他了解機器學習領域的所有東西，這絕壁是撒謊或者是錯誤的。機器學習領域太過廣泛，研究進展太快，這意味着人們可以成為直接接觸他們所在細分領域的專家，並聰明地討論其他部分，但總有新的東西值得學習。」
甚至一些機器學習基礎的重要理論如RNN和反向傳播理論，不少人也表示有諸多理解難點，例如網友@klop2031就這麼說：
「RNN的遞歸怎麼繞，以及反向傳播如何通過時間起作用，對我來說仍然一團亂麻。我仍然需要通過數學方式來理解，同樣，對比分歧的原理如何我也不大清楚。」
好不容易弄懂了反向傳播，卻發現Hinton老爺子又有了新理論。@wdroz是這麼說的：
「要想時刻跟隨並理解機器學習的最新潮流很難，尤其在深度學習領域更是如此。舉個栗子，我讀了好些關於Capsule網絡的介紹，但我還是無法理解其工作原理。」
@debau的回答讓我們感到了深深的絕望：
「我希望我能理解我自己的論文...」(這就過分了吧...)
也有賣萌的，比如網友@oursland的回答：
我曾經做到了這一點。然後我又把所有東西給忘掉了（雷鋒網按：@oursland這裡用的是機器學習中的「災難性遺忘」的梗）。這當中一定有一套炒雞糟糕的超參數，或者其他的什麼東西作怪。：V
網友@andyspl也聲稱做到了這一點：
「握爪！我試圖將這些東西寫下來，但我的筆記本邊上的空白太小啦~」
（費馬大定理：「我確信已發現了一種美妙的證法，可惜這裡空白的地方太小，寫不下......」）
嗯，以上的笑點，只有做機器學習的理科男才懂......
而得票最高的是Reddit網友@stochastic_gradient富有哲理的回答：
「沒有人會完全理解（機器學習的所有概念）。每一篇發表在Arxiv的論文所講的，實際上都是作者已經理解、但之前從未有人理解過的東西。
做機器學習研究，的確100%的是一件你需要和你不能完全理解的東西打交道的事兒。任何吸引你的事情都源於你對它的不了解，矛盾的是，即便人們知道解釋這些事情是他們的工作，但他們仍然會對此有很大的不安。」
這或許也正是機器學習的迷人之處吧。
對於這個問題，現在正在機器學習路上的你又有什麼看法呢？如果你想了解關於該問題的更多討論，請點此前往Reddit。
