1.1. Para dominar los fundamentos matemáticos necesarios, existen tres cursos a nivel universitario: a. Cálculo b. Estadística de probabilidad. Si tiene energía extra, también puede mirar las cosas en la dirección de optimización, pero esto no es obligatorio.
1.2. Dominar algunos cursos básicos de informática, como bases de datos, operaciones paralelas y matemáticas discretas (ubicados temporalmente en la columna de informática). En cuanto a las habilidades de programación, no creo que sea necesario ser particularmente bueno. Si tu capacidad es limitada, puedes bajar el nivel de cursos como sistemas operativos y estructuras informáticas. En la vida, debes aprender a captar lo grande y dejar de lado lo pequeño, y no obligarte a dominarlo todo.
1.3. Aprenda bien Python y comprenda los hábitos de programación (PEP8) y la sintaxis en Python. Al mismo tiempo, puede obtener más información sobre las bibliotecas de herramientas de aprendizaje automático/ciencia de datos correspondientes de Python, como pandas, numpy, scipy, sklearn, etc. Incluso si no practica el aprendizaje automático en el futuro, el conocimiento del lenguaje adhesivo Python puede ser de gran ayuda. Otra razón para elegir Python es que la mayoría de los marcos de aprendizaje profundo, como tensor flow/the ano/Keras/py torch, se basan en o tienen interfaces Python.
1.4. Empezar a aprender aprendizaje automático básico. Los métodos recomendados son: a. Vea el curso de aprendizaje automático de Andrew Ng en Coursera. b. Empiece a leer libros básicos sobre aprendizaje automático (como "Sabiduría de programación colectiva", "Aprendizaje automático de Python", "Introducción al aprendizaje estadístico", etc. En esta etapa, lo más importante es no morder más que). puedes masticar. Si navega por Zhihu, encontrará que todos dicen que debe leer "Elementos de aprendizaje estadístico", "PRML" y similares. Admito que leer un libro de este tipo será útil, pero no es adecuado leerlo directamente desde el principio, porque puede hacer que "te rindas inmediatamente después de empezar". Ahora que tiene algunos conocimientos básicos, ya sabe lo que debe hacer a continuación. Espero darte el derecho a elegir, en lugar de recomendar un montón de cursos y libros. Por supuesto, si desea profundizar, puede leer "Aprendizaje automático" de Zhou Zhihua y "Aprendizaje estadístico básico" de Li Hang en chino, o puede leer "Elementos de aprendizaje estadístico" y "Aprendizaje profundo" en inglés. El objetivo de esta etapa es formar un contexto de conocimiento sistemático. Recuerde morder más de lo que puede masticar, ¡recuerde!
1.5. Para aprender bien inglés, debes al menos sentar unas buenas bases en lectura y comprensión auditiva. Aunque a China le ha ido bien en el campo de la inteligencia artificial, los principales libros, revistas y conferencias están todos en inglés. Podemos aceptar versiones traducidas, pero la mejor manera es poder verlas directamente. Incluso si no utilizas el aprendizaje automático en el futuro, tu capacidad de lectura en inglés seguirá siendo de gran ayuda.
2. Experiencia práctica:
2.1. Intentar contactar con la investigación científica e ingresar al laboratorio lo antes posible. En términos generales, deberías tener conocimientos básicos de aprendizaje automático en tu tercer año, aunque todavía son muy superficiales. En este momento, puedes recomendar a tus profesores/personas mayores/estudiantes que ingresen al laboratorio, incluso si trabajas gratis y haces un trabajo duro básico. Hay dos beneficios obvios de ingresar al laboratorio: a. Tendrá una comprensión más profunda de una pequeña dirección. En general, los estudiantes universitarios no necesitan hacer teoría pura en el laboratorio, sino hacer comparaciones en direcciones pequeñas, como la visión artificial o el procesamiento del lenguaje natural (PLN), por lo que esta es una buena oportunidad para aprender más sobre una dirección. b. Puede saber si es apto para este campo complementando su experiencia de investigación. Si tiene suerte, puede ser uno de los autores del artículo o incluso asistir a una reunión (reunirse con líderes de la industria durante un viaje público). Esto será de gran ayuda para futuros estudios y estudios en el extranjero. Tener experiencia y artículos en investigación científica es una gran moneda de cambio y definitivamente es beneficioso e inofensivo para encontrar un trabajo.
2.2. Si estás interesado en la investigación científica, puedes intentar practicarla lo antes posible. La mayoría de los métodos que vemos en los libros son en realidad modelos más o menos ideales y muchos incluso están desactualizados. Por ejemplo, la función de activación de las redes neuronales en la mayoría de los libros de texto sigue siendo sigmoidea, y la industria hace tiempo que dejó de utilizarla. El mayor obstáculo para los principiantes en el aprendizaje automático es que han adquirido muchos conocimientos pero no tienen la oportunidad de utilizarlos y probarlos. Practicar lo antes posible puede brindarte una sensación más intuitiva y evitar que tengan una sola habilidad para matar dragones.
2.3. A veces puede resultar difícil conseguir oportunidades de investigación científica y prácticas. En este momento, debe encontrar su propio proyecto para realizar y utilizar su interés para impulsar el proyecto.
Mejores métodos incluyen participar en competencias de Kaggle, competencias de Tianchi o aplicar el aprendizaje automático a cosas que le interesen. Una vez vi a Zhihu usar el aprendizaje automático para determinar si los últimos cuarenta capítulos de "Un sueño de mansiones rojas" fueron escritos por Cao Xueqin, sin mencionar si el artículo es riguroso, pero este es un buen ejemplo de cómo utilizar el interés para promover la práctica.
3. Ciencias Sociales y Humanidades:
3.1. Como campo que cambia rápidamente, el aprendizaje automático debe tener su propia "persistencia" y "sabor". Para dar un ejemplo simple, la brillantez del aprendizaje profundo ahora debe atribuirse a la perseverancia de un grupo de científicos durante la crisis de las redes neuronales. Pero al mismo tiempo, incluso si solo hablamos de aprendizaje automático, no crea que solo el aprendizaje profundo es lo mejor y no puede ser terco. Si está interesado en el aprendizaje automático, no crea que la seguridad de la red sea buena hoy, pero piense que la interacción persona-computadora (HCI) será la más prometedora en el futuro. La búsqueda de puntos calientes a menudo crea burbujas.
3.2.Leer más libros de diferentes campos, como ciencias sociales, economía y humanidades. Debido a que el punto de partida de la ciencia de datos se basa en datos, el punto final es extraer opiniones y proporcionar comentarios. El punto de vista no muestra la altura de un vistazo como los números, sino que requiere experiencia y análisis desde múltiples ángulos. Mucha gente piensa que es suficiente que los estudiantes de informática estudien matemáticas y lean artículos, pero en realidad la ciencia siempre está entrelazada con la sociedad. Por ejemplo, si la inteligencia artificial debería aplicarse al ejército es una pregunta candente en Zhihu recientemente. Pero para responder a esta pregunta, es necesario tener suficientes reservas de conocimientos no informáticos. No hay bien ni mal en la tecnología, pero sí en las personas.
3.3. Baja tu perfil y comunícate más con los demás. De hecho, esto es un poco exagerado, pero descubrí que los amigos que practican aprendizaje automático generalmente tienen personalidades muy singulares y muchos son introvertidos (incluyéndome a mí). Esto puede aplicarse a la mayoría de los amigos en ciencia e ingeniería. Aun así, te recomiendo que te relajes un poco, porque la mayoría de los trabajos orientados a datos requieren interacción, como los analistas de datos y los científicos de datos.
4. Escribe al final:
La tecnología se está desarrollando rápidamente, solo sigue los puntos calientes. Pero como acabo de mencionar, en esta era impetuosa, no importa qué dirección elijas, lo más importante es la capacidad de pensar de forma independiente y el coraje de descartar lo falso y preservar lo verdadero. Si algo no se puede probar o refutar, debe estar en duda. La universidad no sólo es el mejor momento para cultivar una buena alfabetización científica, sino también un período crítico.
Entonces, cuando veo a tanta gente compartiendo sus experiencias, lo que más espero es que no te apresures a aceptarlas todas y que no las niegues todas porque no te gustan. Reduzca la velocidad y piense en ello. Esta es probablemente la actitud correcta al realizar un trabajo científico.