作者 | Giant
来源 | 火星情报局
编辑 | 极市平台
最近知乎上有读者提问，被导师散养，想要自己入门深度学习该如何分配任务？
看到这个问题我看见了3年前的自己。我的导师是浙大最年轻的博导、副教授，学术大牛。不过工作太忙，平日神龙见首不见尾，我的学习主要靠自驱。
经历了研一到研三的学习，我对自己的深度学习路线做过系统性总结。在校招薪资逐年倒挂的背景下，希望可以帮到更多对AI真正感兴趣的同学。
下面我从大厂面试官考察一个同学的角度，来「倒推」深度学习应该怎么学。
理论学习俗话说基础不牢，地动山摇。无论从事NLP，CV，ASR还是广告推荐搜索，理论部分的学习是同学们需要迈过的第一道坎。
由于深度学习是机器学习的重要分支，建议大家上手深度学习前，先了解一下传统的统计机器学习算法。
网上关于ML/DL有很多权威的学习资料，这里分享一些我实际学习过的靠谱资料(网课视频都可以在b站上搜索到)：
1 吴恩达机器学习入门课程
2 李宏毅机器学习入门课程（2021春）3 跟李沐学AI亚马逊首席科学家沐神在b站开课啦！
在“跟李沐学AI”专栏，沐神用中文解读了斯坦福2021秋季的实用机器学习课程，最近还新出了“读论文”系列，像Transformer、BERT、GAN等经典paper，都能听到细致通俗的解读！
4 Kaggle 30天机器学习0基础入门**强烈推荐的理论结合coding的机器学习入门资料，虽然报名通道已经关闭了，你仍然可以访问下面的链接进入学习。
Kaggle是一个非常棒的ML/DL学习平台，有非常成熟的开源生态，初学者一定要记住这个网站哈！
Kaggle还为用户提供了免费的GPU计算资源，16G的Tesla V100 每周免费用40小时。详细教程可以参考之前的推文：实验室一块GPU都没有怎么做深度学习？
除了AI理论，一些计算机相关的基础知识也十分重要。
5 陈越姥姥-数据结构专题很多考研CS硕士的同学都经历过计算机408统考，这4门课程中建议首先掌握“数据结构”，因为它和算法工程师的日常工作最紧密关联，也是面试中提升coding的必备内容。时间充裕的同学，建议你看看浙大陈越姥姥的数据结构专题课，内容很全面。如果时间紧，建议趁早开始刷leetcode和剑指offer，边做题边巩固常用的数据结构。
操作系统、计组、计算机网络这几门课当然也很重要，但是从算法学习角度看，优先级低于数据结构；可以在整个硕士期间穿插着学习。
算法比赛除了学理论、做项目，算法比赛也是非常适合新同学入门的选择。当然比赛有难易之分，如果你刚接触深度学习，建议从最基础的任务做起。
比如对于机器学习而言，Kaggle平台的Titanic生存率预测就是非常经典的竞赛项目。把这个比赛完整做一遍，你能学到数据准备、数据分析、构建模型、预测输出整个链路的内容。
如果从事NLP研究，建议从文本分类、匹配、NER等底层任务开始练习。参赛过程中，主动学习其他优秀选手的baseline和top方案，也是让自己进步的高效选择。
除了Kaggle，主流的算法比赛平台还有阿里天池、DataFountain、Biendata、DC竞赛、华为云竞赛、讯飞开放平台、FlyAI等。
如果你觉得一个人做比赛很难坚持，还可以加入我们的交流群，和志同道合的同学一起抱团，比单人solo进步更快哦。
还没进群的朋友，欢迎加我微信cs-yechen
科研学术开展科研工作是深入掌握AI算法的一条“捷径”，如果经过思考和实践，提出创新性的idea，通过coding实现并撰写成文，深度学习功力一定会更上一层。
这里参考清华大学黄民烈老师的PPT，以QA的方式和大家分享一下“如何做出好的科研”。
科研是什么？创新是科研工作的核心，发表论文是因为这种创新对别人有启发，值得分享与交流；是为了好奇心而进行科研探索：探索未知，发现不同。
如果单纯为了发paper或者升职、出国而做科研，很容易本末倒置。
为什么要做科研？1）理论和实践需要密切结合
2）确定自己喜欢什么
3）锻炼和提高自己的能力
4）为将来的读研和读博做好准备
科研的“正确”姿势假如导师或学长给了一个题目或方向，在跑模型前，同学应该先深入理解任务、问题、数据，读论文。
导师：结果怎么样？学生：不好 — 详细的数据统计、分析、报告；理解问题、数据导师：为什么不好？学生：不知道 — 深入理解模型原理，与问题、数据的匹配性导师：哪里好？学生：不知道 — 理解模型的输出结果、行为表现导师：哪里不好？学生：不知道 — 问题诊断、错误分析、读论文
参与科研的几种方式1）跟着师兄、师姐从baseline开始做起
2）老师给题目、技术路径，自己主要做实现
3）自己想idea，让老师评估
如何投入足够时间？1）同一物理时间，只能做一件事；
2）你做的事情，定义了你是什么样的人；尤其当你做选择时：A还是B？
3）成为一个专家需要10000小时（3年全时PhD学习），365*10*3；
4）做出一个solid的工作：最聪明的学生也需要3个月以上的时间，大部分同学需要6-12个月。
客观地说，科研学术只是一条小众路线，并不适合所有人。因为它和做项目不同，做科研付出的成本和收获很可能不对等。
比如一个一心搞research的同学，跟了一个放养型导师，埋头苦干了3年结果没发出一篇A/B类顶会，那硕士期间的产出几乎等于 nothing。
在正式开始科研前，请先认真思考自己的兴趣爱好、性格特质是什么；coding，英文阅读写作能否cover；是一时热血还是真心喜欢research？
想明白了这些，方向就不容易跑偏，剩下的只需要努力+坚持就可以了！
如果真能在硕博期间在科研上有所建树，毕业时也具备了冲击更高offer的实力(阿里星、腾讯大咖等)，甚至可以考虑进入高校继续从事科研工作了。