摘要: 本文以過來人的身份將自身2年的研究經驗做了一下分享, 希望本文對於即將開始從事人工智慧研究的朋友有所幫助。
起步找一個你隨時方便提問的人
剛進入公司時, 常常會對一些基本問題猶豫不決, 這些問題可能會暴露出自身缺乏專業知識。 但是過了幾個月後, 我的提問才慢慢感到自然, 提問都是精心擬定的。 在此之前, 我會積累大量的問題, 但現在只要遇到一個問題, 我就會立馬提問, 這樣不會造成問題積壓以至於越來越困惑。
尋找不同領域的研究靈感
現在不是單打獨鬥的時代,
1.與不同領域的研究人員交流。 諮詢他們感興趣的問題, 詢問是否有想要分析的資料集、現有技術存在哪些不足。 機器學習中最有效的工作是與生物學、化學、物理、社會科學或純數學的碰撞。 例如, 我正在思考Matthew Johnson 在2016年NIPS的文章以及Justin Gilmer在2017年ICML的文章, 兩篇文章分別是關於滑鼠行為資料集的分析以及量子化學的應用;
2.編寫一個簡單的基線以獲得對問題的感覺。 比如, 嘗試編寫一些用於控制倒立擺的校準代碼。 在寫基線代碼時, 會遇到很多情況、各種問題或者一些臨時產生的想法,
3.擴展喜歡的某篇論文的實驗部分。 仔細閱讀一篇論文, 瞭解其採用的方法和獲得的實驗結果, 設法找到一些可以完善的地方。 首先考慮最簡單的擴展, 然後思考下論文的方法是否合理, 實驗結果有沒有不完善的地方。
重視視覺化工具和技能
運行視覺化腳本允許我們快速驗證代碼是否與想法匹配。 更重要的是, 良好的視覺化往往使得想法和代碼中的錯誤變得更加明顯以及可解釋性。
對於一個實際任務, 想出解決問題的正確方法是很困難的。 如果採用的是反覆運算優化模型告誡作者在論文標題中慎重使用“想像”一詞。 這和我們看新聞時一樣, 標題很吸引人,
總是在不斷進步
在早期探索研究項目時, 一般我會花幾個小時開展頭腦風暴, 希望一些模糊的直接能夠指引一個具體的方向。 有時候項目沒有任何進展, 但在黑暗中摸索也算是整個研究過程中的一部分。 當不知道下一步應該做什麼時, 可以基於目前已有的情況將最模糊的想法寫下來, 並在寫的過程中進行一一排除(寫出排除的原因)。 在沒有任何想法的情況下, 可以採取閱讀或與同事交流的形式以獲得靈感。
從死胡同中學會判別和止損
大牛們一般花更多的時間在好的想法上, 能夠區分想法的好與壞在很大程度上依賴於個人的經驗。 儘管如此, 任何水準的研究人員都會不斷遭遇以下決定:研究思路是否有缺陷、是否應該挽救或進一步支持所提出的想法、是否完全放棄所提出的想法?尤其是在早期時, 研究人員踏入死胡同後會停留很長一段時間, 而不願放棄。 雖然放棄意味著之前的花費的時間白費了, 但有的時候要懂得及時止損。
寫作
一些大牛給出的早期職業建議是:寫作。 平時可以寫寫博客和論文, 但更重要的是把自己的想法記錄下來。 因為寫作有助於我們理解與思考相關知識。
心理健康和身體健康是科研的先決條件
學術研究者在追求科學發現的過程中經常會遇到熬夜、顧不上吃飯等問題, 這些都不是好習慣。 很多博士都開始禿頭, 甚至碩士就開始掉頭發。 鍛煉身體並放空自己內心也是對科研的投資, 並不是阻礙科研。 睡8個小時後再工作4個小時, 其效率比睡4個小時工作8個小時要高得多。 有的時候會遇到卡殼, 即使使出渾身解數也無法取得一絲進步, 這個時候建議離開工作崗位, 稍微活動一下並做長呼吸, 放空下自己
作者資訊Tom Silver, 專注於計算科學與數學、人工智慧
本文由阿裡云云棲社區組織翻譯。
文章原標題《Lessons from My First Two Years of AI Research》, 譯者:海棠, 審校:Uncle_LLD。