如何阅读机器学习相关文献

阅读多少文献，才算是在某个领域有了一定的理解

阅读5~20篇文献，可能能做项目，但达不到研究的程度；当阅读到50~100篇文献时，才算是在某个领域有了较为深入的理解

阅读文献的方法

1. 首先，列出阅读的论文清单，先把每篇读个大概，然后去掉不好的文献；精读好的文献，甚至可以从好文献的引文中找补充阅读，来完善自己的认识
2. 怎么读一篇文献：

• 错误：from the first word to last word，从头到尾
• 正确步骤：

（1）先读title、abstract、figure（例如关键的神经网络架构图）
（2）再读介绍、结论、数字（这些都是作者非常小心的总结的）；可以跳过相关工作（尽管可能有用，但是如果不熟悉文献很难看懂）
（3）跳过数学部分，读完再回来理解；跳过没有意义的部分，精读创新的部分（伟大的研究意味着在边界上发现事物）：例如LeNet-5的论文有一半是关于其他部分的，这些可以不读
（4）如果论文真的困难，需要我们追查所有的相关资料，并学习很多其他的东西

• 看完论文后考虑三个问题：

（1）作者想要完成什么？
（2）完成的关键要素是什么？
（3）我可以用到文献中的什么？

面对迅速发展的机器学习，where do you go？

• 利用各种各样的学习途径

（1）博客、twitter（Kian、Andrew Y Ng以及他们关注的人）、ML subreddit
（2）一些顶尖的机器学习大会：NIPS、ICML、ICLR
（3）与朋友建立社区或者学习小组
（4）arxiv sanity

• 从两方面深入提升机器学习水平：

（1）文献的math部分。通读math部分，详细记录、推导；然后尝试从头重新推导数学流程。这样有助于理解算法
（2）代码。下载并运行开源原码，从头实现，表明已经真正理解

机器学习生涯的长期规划：工作、深造或者教授

• 如何获得职位：成为T型人才，了解的领域广泛（ML、DL、PGM、NLP、CV、AI），但是某一个领域深入研究。可以通过开源创作、实习、项目、实验室，来深入研究
• 几种糟糕的生涯规划

（1）死学习，GPA高，不会实践
（2）作为新生，基础知识没学，领域了解的不广泛，就深入某个领域。这样效率太低
（3）这个领域一个小项目，那个领域一个小项目，只有数量，但不深入