2013总结
2013年2月份进的公司,身为一名刚从大学走出进入一家自己很喜欢的公司,想做些重要的事儿可是能力不足又在关键时刻凸显出来,所以对2013自己的不足做个总结,2014不要再在同样的问题上纠结。
我会从技术、理论、做事态度、处理事情方式还有生活的规律来考量。
首先是生活方面,2013年因为各种事情交织在一起,也让我经常压力很大,给自己定的计划太多,经常会没有达到目标导致熬夜到很晚去完成,又或者效率不高把事情拖到很晚才开始做。这些都是我不好的习惯,究其原因是生活不规律,如果我每周固定时间锻炼每天按时起床规律睡觉,习惯养成了自然就不会有这么多自变量。但是习惯也是需要自己意志力来贯彻的,明年的主要工作就是把工作做好,让自己能力、知识面往上一大步。
再就是态度方面,为了达到上面拟定的目标,做事不要再盲目没有章法。我对事情的把握以及分析能力都很好,计划的制定也都是根据实际情况的最优,但是执行能力有问题所以导致任务的完成度不高。这是我需要立即马上改进的地方,用笔记本多记,但是笔记本没有手机的记事本来的方便,不过暂时先笔记本吧。
处理事情方面我经常会急躁,问题还没理解完全或者拿到一件事情就开始干也没有多这个领域做个全盘的了解与分析,即使有计划的耗费时间也比较长超过预算。两个月,最长两个月,做任何一个项目最长不超过两个月,这也是老大的底线了,也是我自己给自己的底线。所以我给自己定的安排是:拿到手的任何一个项目一定要经过谨慎的分析与规划,这个项目可不可以做?为什么?可以做的话怎么做?要多久?(超过期限否定掉,超过能力否定掉)然后制定schedule,落实到每天每周,控制时间并且允许计算查找资料以及阅读文献和返工迭代的时间。
以上三条对于我来说都是马上决定马上就能改善并且做到的,然而技术和知识上的问题却是只能靠日积月累逐渐形成的,可是即使这样,也有快慢之分,如果努力的话也能在短的时间内获得长足的进步。
所以知识方面亟待加强的是(红色是重点):
1. MachineLearning
2. Deep Learning(NeuralNetwork)
3. ComputerVision
4. Artificial Intelligence
5. Mobile Robots
机器学习和计算机视觉是重点,DL只能算作ML的一个分支,所以ML的基础很重要。机器学习方面我目前的计划是:系统的过一遍NG在Standford上的课程,材料我已经都打印出来了,大纲如下:
1. 机器学习的动机与应用
2. 监督学习应用:梯度下降
3. 欠拟合与过拟合的概念
4. 牛顿法
5. 生成学习法
6. 朴素贝叶斯算法
7. 最优间隔分类器问题
8. 顺序最小优化算法
9. 经验风险最小化
10. 特征选择
11. 贝叶斯统计正则化
12. K-means算法
13. 高斯混合模型
14. 主成分分析法
15. 奇异值分解
16. 马尔科夫决策过程
17. 离散与维数灾难
18. 线性二次型调节控制
19. 微分动态规划
20. 策略搜索
一共20个课时,每个课时大约1h左右。放假前后加起来一共9天所以每天两课,加上思考时间3h左右,材料先不认真看,主要是把课程内容统一过一遍,加深印象。
PRML是一本不错的入门教材,就比如说这样一句话吧
马上就让我觉得,恩,其实都是一样的东西不一样的术语而已。这样学起来也容易理解,记起来就更不费劲儿了。因为原版太贵了所以我把每一章彩印出来了,方便携带,闲着的时候细细研究下,不求看完,但是每一章都得看得仔细,看完要总结做笔记。因为是书所以看的时候肯定会有很多想法,每天记笔记,然后每周总结这一周看的章节的内容,并做一些深入的学习,要是有时间写篇blog简短的说明下最好。
机器学习我就准备这样子了,DL暂时先搁着,但是肯定会用到所以我会尽量早点结束neural network这一块。但是这一块因为现在很火所以肯定会很快用到,为了跟上节奏尽量先把NG的Deep Learning过一遍,这个内容不多,而且之前看CNN的时候草草看了一遍邓侃等人翻译的版本(地址:http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial),这个可以结合着tornadomeet的关于DL的博客一起看
(http://www.cnblogs.com/tornadomeet/tag/Deep%20Learning/default.html?page=1)而且网上还有另一个版本的教程(地址:http://deeplearning.net/reading-list/tutorials/)。关于DL的入门Paper这一块之前看过微博有人分享过算法组的一个DL的资源目录:
深度学习 Deep Learning 学习资料汇编(持续更新中)。欢迎补充。
入门阅读
- deep learning较全面的入门介绍
- 浅谈Deep Learning的基本思想和方法
- 机器学习——深度学习(Deep Learning)
- deep learning tutorials
- 一篇blog:deep learning2,3
- 一些论文介绍
代码/工具
- Theano - Deep Learning工具
- senna (论文) Deep Learning在自然语言理解中的应用,研读Senna的源代码是个很好的起点。C代码只有3500行,实现了POS/NER/SRL/Syntactical Parsing诸多功能。
理论&论文
- Yoshua Bengio, Learning Deep Architectures for AI, Foundations and Trends in Machine Learning, 2(1), 2009
- ICML 2009 Workshop on Learning Feature Hierarchies的引用列表
- Geoff Hinton's refs
- Rank 1
Hinton's homepage
http://www.cs.toronto.edu/~hinton/
Reducing the dimensionality of data with neural networks.
http://www.cs.toronto.edu/~hinton/science.pdf
A practical guide to training restricted Boltzmann machines
http://www.cs.toronto.edu/~hinton/absps/guideTR.pdf
video talks
http://videolectures.net/geoffrey_e_hinton/ - Rank 2
Bengio's homepage
http://www.iro.umontreal.ca/~bengioy/yoshua_en/research.html
Learning Deep Architectures for AI
http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf
Representation Learning: A Review and New Perspectives
http://arxiv.org/abs/1206.5538
Video talks
http://videolectures.net/yoshua_bengio/ - Rank 3
Andrew Ng
http://ai.stanford.edu/~ang/ - Related Events
http://deeplearning.net/events/
CVPR 2012 deep learning workshop
http://cs.nyu.edu/~fergus/tutorials/deep_learning_cvpr12/
其他资源
再就是CV方面了,这方面没什么好细细研究的,拿过来直接做就可以了。不过对于基础知识的巩固和视野的拓展还是很重要的,CV这一块我还是有些不熟悉的领域,比如3D比如小波之类的。没想要深入了解,所以决定看一看《Image Processing, Analysis, and Machine Vision》。豆瓣上都说这本书不好但是我觉得说得还挺广泛的,刚好是我所需要的。
理论明年这样就好了,多看paper多做实验,所以技术方面也要有带提升。
技术篇:
技术上,ng的ML课大多推荐用Matlab,但是python其实也是可以的。Matlab和python都是需要掌握的工具,还有就是opencv了。OpenCV有各种版本的接口,所以opencv也是选项之一,更何况3.00还加入了cuda。但是开发果然还是需要C++的技术,所以综合来考量的话,Matlab、Python、OpenCV还有就是C++了。
这些东西的学习,官方论坛和doc是最好的教材,尤其是oepncv,Q&A论坛实在是太赞了。里面很多有趣的点子。
2014年的工作安排差不多就是这些了,多看论文多总结,还有我挺喜欢机器人的,有时间倒腾一下arduino,C站的移动机器人控制也挤点时间看看。
这么看起来2014年应该会很忙的,不过如果别的事儿都顺利的话,一切都会很好的~~
May god bless~~
Everything will be OK :)