本文將介紹關(guān)于吳恩達如何建立機器學(xué)習(xí)職業(yè)生涯的建議。

介紹

既然你已經(jīng)在閱讀這篇文章了，那么你可能已經(jīng)知道該領(lǐng)域的先驅(qū)之一Andrew Ng是誰，并且你可能對會對他關(guān)于如何建立機器學(xué)習(xí)職業(yè)生涯的建議感興趣。

本博客總結(jié)了斯坦福大學(xué)CS230深度學(xué)習(xí)課程在YouTube上的演講：對職業(yè)發(fā)展的一些建議以及閱讀研究論文的方法，

鏈接：https://www.youtube.com/watch?v=733m6qBHjI&list=PLoROMvodv4rOABXSygHTsbvUz4G_YQhOb&index=9&t=0s

我建議大家多看看這堂課，內(nèi)容很豐富。不過，我想不管你看不看，你都會發(fā)現(xiàn)這篇文章很有幫助。因此，我試圖在這里概述這些建議。

跳到關(guān)鍵的要點部分。

Andrew特別提出兩項主要建議：

閱讀研究論文：他使用的非常有效的技巧，當他試圖在深度學(xué)習(xí)中掌握一個新主題時，他會閱讀研究論文。

在機器學(xué)習(xí)領(lǐng)域開創(chuàng)事業(yè)的建議。

讀研究論文

你如何通過閱讀研究論文來高效和相對快速地學(xué)習(xí)?所以，如果你想從學(xué)術(shù)文獻中學(xué)習(xí)，你應(yīng)該做什么，無論是你想學(xué)習(xí)建立一個感興趣的機器學(xué)習(xí)系統(tǒng)/項目，還是僅僅停留在事情的頂端，獲得更多的知識，成為一個深入學(xué)習(xí)的人。

以下是清單：

編寫一份論文列表：嘗試創(chuàng)建一份研究論文列表、包括你擁有的任何文本或?qū)W習(xí)資源。

過一遍列表：基本上，你應(yīng)該以一種并行的方式閱讀研究論文，意思是一次處理多篇論文。具體地說，試著快速瀏覽并理解每一篇文章，而不是全部讀完，也許你讀了每一篇文章的10-20%，也許這足以讓你對手頭的文章有一個高水平的理解。在那之后，你可能會決定刪除其中的一些論文，或者只是瀏覽一兩篇論文，把它們通讀一遍。

他還提到，如果你讀到：

5-20篇論文(在選擇的領(lǐng)域，比如語音識別)=>這可能是足夠的知識，你可以實現(xiàn)一個語音識別系統(tǒng)，但可能不夠研究或讓你處于前沿。

50-100篇論文=>你可能會對這個領(lǐng)域的應(yīng)用(語音識別)有很好的理解。

如何讀論文?

不要從頭讀到尾。相反，需要多次遍歷論文，下面是具體如何做的：

閱讀文章標題、摘要和圖：通過閱讀文章標題、摘要、關(guān)鍵網(wǎng)絡(luò)架構(gòu)圖，或許還有實驗部分，你將能夠?qū)φ撐牡母拍钣幸粋�大致的了解。在深度學(xué)習(xí)中，有很多研究論文都是將整篇論文總結(jié)成一兩個圖形，而不需要費力地通讀全文。

讀介紹+結(jié)論+圖+略過其他：介紹、結(jié)論和摘要是作者試圖仔細總結(jié)自己工作的地方，以便向?qū)徃迦岁U明為什么他們的論文應(yīng)該被接受發(fā)表。

此外，略過相關(guān)的工作部分(如果可能的話)，這部分的目的是突出其他人所做的工作，這些工作在某種程度上與作者的工作有關(guān)。因此，閱讀它可能是有用的，但如果你不熟悉這個主題，有時很難理解。

通讀全文，但跳過數(shù)學(xué)部分。

通讀全文，但略過沒有意義的部分：出色的研究意味著我們發(fā)表的東西是在我們的知識和理解的邊界上。

他還解釋說，當你閱讀論文時(即使是最有影響力的論文)，你可能也會發(fā)現(xiàn)有些部分沒什么用，或者沒什么意義。因此，如果你讀了一篇論文，其中一些內(nèi)容沒有意義(這并不罕見)，那么你可以先略讀。除非你想要掌握它，那就花更多的時間。

當你閱讀一篇論文時，試著回答以下問題：

作者試圖完成什么

這個方法的關(guān)鍵要素是什么

你自己能做什么

你還想要什么其他的參考資料

如果你能回答這些問題，就很有希望的能反映出你對論文有很好的理解。

事實證明，當你讀更多的論文時，通過練習(xí)你會變得更快。因為，很多作者在寫論文時使用的是通用格式。

例如，這是作者用來描述網(wǎng)絡(luò)架構(gòu)的一種常見格式，特別是在計算機視覺中：

 

 

理解一篇論文需要花多少時間?

對于剛接觸機器學(xué)習(xí)的人來說，理解一篇相對簡單的論文可能需要一個小時，這并不罕見。但是，有時你可能會偶然發(fā)現(xiàn)需要3個小時甚至更長時間才能真正理解的論文。

論文的來源

網(wǎng)上有很多很棒的資源。例如，如果你是新手，列出語音識別領(lǐng)域中最重要的論文的博客文章將非常有用。

隨著深度學(xué)習(xí)的快速發(fā)展，很多人都試圖跟上它的最新進展。所以，你應(yīng)該這樣做：

Twitter：令人驚訝的是，Twitter正成為研究人員發(fā)現(xiàn)新事物的重要場所。

ML subreddit：https://www.reddit.com/r/MachineLearning/。

重要的機器學(xué)習(xí)會議：NIPS/ICML/ICLR。

朋友：找一個對該領(lǐng)域感興趣的社區(qū)或一群朋友，分享有趣的研究論文。

更加深入的理解文中的數(shù)學(xué)部分

試著從頭開始重新推導(dǎo)。雖然，這需要一些時間，但這是一個很好的練習(xí)。

代碼練習(xí)

下載開源代碼(如果你能找到的話)并運行它。

從頭開始重新實現(xiàn)：如果你能夠做到這一點，那么這是一個強烈的信號，表明你已經(jīng)真正理解了手頭的算法。

持續(xù)進步

最重要的是不斷學(xué)習(xí)，變得更好是指更加穩(wěn)定的學(xué)習(xí)，而不是集中一段時間內(nèi)讀大量的論文。與其在短時間內(nèi)死記硬背，不如從明年開始每周讀兩篇論文。

對機器學(xué)習(xí)職業(yè)生涯的一些建議

無論你的目標是找一份工作(大公司、初創(chuàng)公司和教職員工的職位)，還是進行更高級的研究生學(xué)習(xí)(也許參加一個博士項目)。

只要專注于做重要的工作，把你的工作看作是一種策略，一個做有用工作的機會。

招聘人員要的是什么?

機器學(xué)習(xí)能力。

有意義的工作：表明你能勝任這份工作的項目。

對于成功的機器學(xué)習(xí)工程師(優(yōu)秀的求職者)來說，一個非常常見的模式是開發(fā)一個T型知識庫。意思是對人工智能中許多不同的主題有廣泛的理解，并在至少一個領(lǐng)域有非常深刻的理解。

 

構(gòu)建橫向能力

在這些領(lǐng)域建立基本技能的一個非常有效的方法是通過課程和閱讀研究論文。

構(gòu)建縱向能力

你可以通過做相關(guān)的項目、開源貢獻、研究和實習(xí)來構(gòu)建它。

選擇一份工作

如果你想不斷學(xué)習(xí)新東西，下面是影響你成功的一些因素：

無論你是和偉大的人/項目一起工作：被勤奮的人包圍會影響你。

除了經(jīng)理之外，還要關(guān)注你將與之共事的團隊(10-30人，你將與他們互動最多)，并對他們進行評估。

不要關(guān)注“品牌”：公司的品牌與你的個人經(jīng)歷并沒有太大的關(guān)聯(lián)。

所以，如果你得到了一份工作，問問你將和哪個團隊一起工作，不要接受“加入我們，之后我們會組建一個團隊”的工作邀請，因為你可能會和一個團隊一起做你不感興趣的事情，這不利于自己有效地進化。

另一方面，如果你能找到一個好的團隊(即使是在一家不知名的公司)并加入他們，你實際上可以學(xué)到很多東西。

一些通用的建議

學(xué)得最多：傾向于選擇能讓你學(xué)到最多東西的工作。

做重要的工作：從事有價值的項目，推動世界向前發(fā)展。

嘗試將機器學(xué)習(xí)帶到傳統(tǒng)行業(yè):我們在科技行業(yè)已經(jīng)改變了很多，但我認為最令人興奮的工作之一可能是在傳統(tǒng)行業(yè)(科技行業(yè)之外)，因為你可以在那里創(chuàng)造更多的價值。

要點

我試著將Andrew的建議總結(jié)如下：

養(yǎng)成閱讀研究論文的習(xí)慣：每周閱讀兩篇論文作為開始。

高效閱讀：編制一份論文清單，一次閱讀多篇論文，每篇論文都要經(jīng)過多次閱讀。

閱讀論文時：首先閱讀題目/摘要/圖表(尤其是)/引言/結(jié)論。

嘗試理解算法時：嘗試重新推導(dǎo)數(shù)學(xué)并通過重新實現(xiàn)來練習(xí)編程。

盡量掌握最新信息，通過查看ML會議和其他在線資源中的資料。

在AI中構(gòu)建一個t型知識庫。

嘗試加入一個好的團隊(在大公司或初創(chuàng)公司)，這將幫助你高效成長。

從事有用的項目可以幫助你學(xué)到更多，推動世界前進。

嘗試將機器學(xué)習(xí)應(yīng)用到其他行業(yè)：醫(yī)療、天文學(xué)、氣候變化等。

原文鏈接：https://medium.com/@mohamedalihabib7/advice-on-building-a-machine-learning-career-and-reading-research-papers-by-prof-andrew-ng-f90ac99a0182

標簽： 機器學(xué)習(xí) 大數(shù)據(jù)技術(shù)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。