共计 918 个字符，预计需要花费 3 分钟才能阅读完成。
浏览多少文献，才算是在某个畛域有了肯定的了解
浏览 5~20 篇文献，可能能做我的项目，但达不到钻研的水平；当浏览到 50~100 篇文献时，才算是在某个畛域有了较为深刻的了解
浏览文献的办法
- 首先，列出浏览的论文清单，先把每篇读个大略，而后去掉不好的文献；精读好的文献，甚至能够从好文献的引文中找补充浏览，来欠缺本人的意识
- 怎么读一篇文献：
- 谬误：from the first word to last word，从头到尾
- 正确步骤：
（1）先读 title、abstract、figure（例如要害的神经网络架构图）
（2）再读介绍、论断、数字（这些都是作者十分小心的总结的）；能够跳过相干工作（只管可能有用，然而如果不相熟文献很难看懂）
（3）跳过数学局部，读完再回来了解；跳过没有意义的局部，精读翻新的局部（平凡的钻研意味着在边界上发现事物）：例如 LeNet- 5 的论文有一半是对于其余局部的，这些能够不读
（4）如果论文真的艰难，须要咱们追究所有的相干材料，并学习很多其余的货色
- 看完论文后思考三个问题：
（1）作者想要实现什么？
（2）实现的要害因素是什么？
（3）我能够用到文献中的什么？
面对迅速倒退的机器学习，where do you go？
- 利用各种各样的学习路径
（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）与敌人建设社区或者学习小组
（4）arxiv sanity
- 从两方面深刻晋升机器学习程度：
（1）文献的 math 局部。通读 math 局部，具体记录、推导；而后尝试从头从新推导数学流程。这样有助于了解算法
（2）代码。下载并运行开源原码，从头实现，表明曾经真正了解
机器学习生涯的长期布局：工作、深造或者传授
- 如何取得职位：成为 T 型人才，理解的畛域宽泛（ML、DL、PGM、NLP、CV、AI），然而某一个畛域深入研究。能够通过开源创作、实习、我的项目、实验室，来深入研究
- 几种蹩脚的生涯规划
（1）死学习，GPA 高，不会实际
（2）作为新生，基础知识没学，畛域理解的不宽泛，就深刻某个畛域。这样效率太低
（3）这个畛域一个小我的项目，那个畛域一个小我的项目，只有数量，但不深刻