我工作第五年的学习与读书之法

经验谈

Author：louwill

Machine Learning Lab

     

时光荏苒，从2017年参加工作以来，到现在已经是第五个年头了。从一开始的数据分析师到后来的数据挖掘工程师，再到如今的深度学习算法工程师，基本上数据和算法领域的大部分工作和技术方向都有所涉及。

这些年的成长历程可点击：

一个统计方向毕业生的2017年数据科学从业之路总结

数据分析入行半年之经验、感悟与思考

一个统计数据人的职业生涯第一年

2019上半年，我成为了一名深度学习算法工程师

2019，算法工程师第一年

机器学习实验室的一点年度小结

自从今年公众号开通了一对一的技术咨询服务以后，已经有很多读者找过我聊各自的问题，诸如职业规划、技术方向或者具体的算法技术问题。很多朋友都会问我在工作之余是怎么学习的。今天就简单来跟大家聊一下这个问题。

我在之前的一篇男人30岁，不该有暮气中，曾提到从大多数人的技术水平随时间变化应该是这个样子：

数据科学和人工智能算法行业是一个高速迭代和日新月异的行业，选择了这一行，终身学习的状态是没跑了。那么在随着年龄的增长、工作年限的增加、生活琐事的干扰以及偏向管理岗位的情况下，如何让自己保持学习的状态，系统化的读一些书呢？

下面就我个人的情况谈一下。不具有普适性，仅供大家参考。

第一个呢是要有一个好的身体。俗话讲身体是革命的本钱，保持身体健康和精力充沛是技术人的一个基本盘。我个人身体虽然不算有多好，体质也一般，但得益于这些年的时常的爬山跑步打球，总之还算不错。但一些小毛病也有，比如像甲状腺结节，虽然良性结节，也得保持半年一次的复查。

很多朋友本身在互联网工作，节奏一般996，本身体质不好的话，上班时间精力就耗尽了，下班回到家只想躺平，读书和学习根本是无稽之谈。所以，保持一个好的身体，日常不要太宅，该锻炼锻炼，上班时间做好精力管理。这是第一位的。

第二个方面说一下技术学习方法。可能每个人都有自己喜欢的学习方式和习惯，但基本方法应该不会差太多。技术学习分两种情况，一种就是在工作实践中的学习，做项目写代码跑模型，这其中肯定不是一帆风顺的，在这个过程中，你通过团队力量、他人带飞或者个人摸索最后完成一个任务，最后来个技术总结记到你的小本本上，这个过程就是你技术学习飞速成长的过程。这个不多说，我们每个搞技术的人，每天都会处于这种环境。

另外一种呢就是针对某个技术方向或者某门编程语言，自己看技术教材、看官方文档、看视频课程，来系统化的掌握某项技术的过程。这些方向可能是你入门初学、也有可能是你工作过程中新接触到，反正就是学。技术教材一般都是大部头，大部分人都是心血来潮翻一翻，真要一本三四百页的技术书从头看到尾，没有大把的时间和强大的毅力，一般人都肝不动。

所以，我一般讲把一本技术书从头读到尾，对于工作后的大部分人来说，都是下下策。各位读者，里面之中有几个人是把《统计学习方法》和花书《深度学习》完整的看过一遍的？

技术教材不好读，大家一般都会选择看视频课来学习。这确实是一个好方法，现在网上的视频教程也非常多，但也良莠不齐，选择好的教程也很重要。我日常视频学习一般就是coursera，这也得益于对吴恩达的信任，虽然每次都是一周学完快速白嫖。当初从数据挖掘转向深度学习，就是因为系统性的学了吴恩达老师的深度学习专项课五门课，得以顺利转入深度学习领域。这几年在coursera上学了不下十来门课，是我个人技术成长的一个重要来源。coursera每门课程学完，并且作业都通过的话，都会有一个官方证书，类似于下面这样：

第三个方面就是动手实践。技术学习不是干看书和视频，很多时候都要自己动手操作，实际编码的。建议大家建一个个人的代码库，个人做的比赛、刷的算法题、参加的项目总结或者是个人日常代码练习，都可以总结到里面。假以时日，就是水滴石穿之功了。所以，Talk is cheap，show me the code。

最后谈一下读书的方法。这里不是指读技术书，技术书我们上面已经谈过了，这里指的是纯粹的图书阅读。我工作前两年，注意力基本都放在技术提升上，很少去看之前自己一直喜欢的历史文化人物传记相关的书。从去年开始，逐渐把读书习惯重新塑造起来。

今年四月份以来，以每周一本书的进度开始阅读，累积已读完17本书，所读数目以历史文化、人物传记为主，根本目的都是为了提升个人认知，加深对这个世界的理解。所读书单如下：

怎样做到一周一本书的节奏呢？最主要的是利用好碎片化时间。用kindle读，每天食堂排队、通勤时间都可以拿来读书，按照一本400页的书，正常阅读时间也就15个小时左右，一周之内，把碎片化时间利用起来，再周末挤一点时间，是完全可以读完的。读完之后写一点读后感，长此以往，给人带来的认知和精神变化是质变的。

今天先就写这么多，文不尽言，只谈几个大的方面，还有很多值得一提的方法和经验，限于篇幅就不多说了。有什么问题，欢迎各位读者留言。

往期精彩：

 Swin-UNet：基于纯 Transformer 结构的语义分割网络

 Swin Transformer：基于Shifted Windows的层次化视觉Transformer设计

 TransUNet：基于 Transformer 和 CNN 的混合编码网络

 SETR：基于视觉 Transformer 的语义分割模型

 ViT：视觉Transformer backbone网络ViT论文与代码详解

【原创首发】机器学习公式推导与代码实现30讲.pdf
【原创首发】深度学习语义分割理论与实战指南.pdf