沈向洋谈做研究的那些事儿

关于阅读

 

1.很多研究者花费一半以上的时间用来阅读。在研究生开始两年,尽量用课余的时间阅读有关于你topic的课本和journal articles。

2.了解自己相关topic最为核心的杂志。每年去图书馆翻阅过去一年相关研究者做的technical reports。

3.不要详细阅读每一片paper。第一步,看看哪里是引起兴趣的地方。顺序为abstract,table of contents, conclusion section and introduction。如果还是毫无发现,那么放过它。第二步,一旦发现你感兴趣的地方,看看这个paper有什么good stuff。这个往往因人而异,也许对你来讲很好的point并不是作者的重点。第三步,重读整个文章,评判它的价值。

4.带着问题阅读。“我可以怎么用?”“作者的claim是否经得起推敲?”“如果……会怎样?”搞清作者的motivations, 做出某种选择的原因,假设和建议的方向。

5.随时编程。看到paper中陈述的idea,做simulation。

6.如果有人递给你一篇paper,询问他们推荐的原因。也许在他们脑海里,某些他们认为对你有用的idea已经春光乍现,而你始终不知所云。

 

关于networking  

 

1.加入一些你认为活跃的论坛和email list。

2.如果和其他领域的人讨论问题时,听到他说:“你有没有读过某某书?”那么“书非借而不能读也”。

3.发现自己感兴趣的paper, 发给你觉得可能会感兴趣同仁,告诉他们你感兴趣的地方,你可能同样因此受益。

4.看看你的同事办公桌上正在阅读的paper,询问他们原因,这样比自己查图书馆要效率高的多。

5.写出自己idea的draft,或者你写好的paper,分发给你觉得可能会感兴趣的同事包括老板,并且要求他们的评论。

6.尽可能和不同领域的人讨论。

7.做reference log。这样也许通过树图,你会通过引用率勾勒出目前占据这块山头的几组大佬。

8.参加会议时,记得带上名片,给别人介绍一种牢记你名字的办法。也许你会看到大多数会议的paper实在是boring and silly,所以你参加会议的目的是认识不同的人。他们会给你传播信息,邀请你去talk,给你一个summer job。认识他们很简单,走近他们说“我对你的paper很有兴趣。”然后问一个问题。

9.夏天的时候不要呆在自己的实验室,走出去认识新的朋友。他们也许会给你展示另一种不同的看待事情的眼光。寻找summer job的方法,询问那些正在找工作的毕业生吧。

 

关于相关的领域

 

1.选一门这个领域的研究生课程。

2.阅读一本这个领域的bible 。

3.你知道这个领域最好的杂志么?

4.知道这个领域的翘楚和他们的必杀绝技么?阅读兵器谱。

5.查看这个领域的公告牌,看最新的announcement。可以的话,找一个美女或者帅哥拍拖。

6.从查看自己学校的department开始,近水楼台先得月。

7.在“尚能饭否”前,永远不要忘记数学。不要只做听众,不惜找一个死党用枪逼着你做题。

8.问自己一个问题:“如果我知道x,是不是问题会变得简单一点?”如果回答“是”,go to 1。

 

关于笔记

 

没有航海日志的船长是失职的。

1.无论你觉得你现在的idea多么垃圾,给它一个墓志铭。

2.给出问题可能的解,考验直觉的时候到了!

3.总结引起你兴趣的reference,向图书馆套磁。

4.时而不时的回头读你的笔记,莫做无情郎。

5.按照title, abstract, section headings, fragments of text的格式组织你的笔记,即使你不打算发表,或者很快就变了心思。

 

关于project

 

1.知道做什么

2.开小口,不要指望靠这个造论文。先把实际问题解好,think simple。

3.动手,做原型。对于EE的学生尤为重要,好的idea在实验中产生。

4.使用tools,站在巨人的肩膀上。

5.Collaborate。和别人合作,让他人乐意与你合作。

 

总结

 

方法是一件不太难寻找的事情,问题总会有解的。

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习是一种人工智能(AI)的子领域,致力于研究如何利用数据和算法让计算机系统具备学习能力,从而能够自动地完成特定任务或者改进自身性能。机器学习的核心思想是让计算机系统通过学习数据中的模式和规律来实现目标,而不需要显式地编程。 机器学习应用非常广泛,包括但不限于以下领域: 图像识别和计算机视觉: 机器学习在图像识别、目标检测、人脸识别、图像分割等方面有着广泛的应用。例如,通过深度学习技术,可以训练神经网络来识别图像中的对象、人脸或者场景,用于智能监控、自动驾驶、医学影像分析等领域。 自然语言处理: 机器学习在自然语言处理领域有着重要的应用,包括文本分类、情感分析、机器翻译、语音识别等。例如,通过深度学习模型,可以训练神经网络来理解和生成自然语言,用于智能客服、智能助手、机器翻译等场景。 推荐系统: 推荐系统利用机器学习算法分析用户的行为和偏好,为用户推荐个性化的产品或服务。例如,电商网站可以利用机器学习算法分析用户的购买历史和浏览行为,向用户推荐感兴趣的商品。 预测和预测分析: 机器学习可以用于预测未来事件的发生概率或者趋势。例如,金融领域可以利用机器学习算法进行股票价格预测、信用评分、欺诈检测等。 医疗诊断和生物信息学: 机器学习在医疗诊断、药物研发、基因组学等领域有着重要的应用。例如,可以利用机器学习算法分析医学影像数据进行疾病诊断,或者利用机器学习算法分析基因数据进行疾病风险预测。 智能交通和物联网: 机器学习可以应用于智能交通系统、智能城市管理和物联网等领域。例如,可以利用机器学习算法分析交通数据优化交通流量,或者利用机器学习算法分析传感器数据监测设备状态。 以上仅是机器学习应用的一部分,随着机器学习技术的不断发展和应用场景的不断拓展,机器学习在各个领域都有着重要的应用价值,并且正在改变我们的生活和工作方式。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值