论文|中国人民大学赵鑫：AI 科研入坑指南( 二 ) 中国人民大学|指南|初学者|赵

文章插图
对于初学者来说，最重要的一点是：必须能够针对具体问题建立模型。那么如何建立模型呢？或者如何学习模型？建议初学者从工具去入手，熟悉模型的输入输出。也可以形式化观察输入输出并进行描述。当熟悉数据之后，再慢慢了解背后的数学原理。
其实，建立模型绝大部分是进行偏增量性的工作，即如何改进模型，从而更好解决实际问题。
从长远来看，还是需要掌握一套硬功夫，这里的硬功夫指的是非常熟悉模型，不用熟悉所有的数学原理，但是需要熟悉至少一类模型。

文章插图
设计实验具有固定的步骤，会涉及到数据集的划分、评测指标的制定、对比方法的选取。当实验效果不好的时候，要分析为什么不好，思考有哪些现象可以总结，以及模型是否适用。

文章插图
如何写论文呢？对于初学者来说，写英文文章需要基本语法过关。可能你很长时间没用英文写东西，语法水平还不如高中。
第二点，用词要准确。很多时候问题可能不是出在语法，而是用词错误。因此一定要把高频词汇、常用词以及通用词收集起来，然后进行系统的语法学习。一般来说，最多花费两天就能达到高中水平。
第三点，确保论文逻辑清楚，这点尤为重要。要写清楚先讲清楚，不要出现逻輯的突然转折、不清楚等问题。在写作的过程中可以复用一些积攒的句子，形成一些固定的句式，减少重复写作。
3
日常内功修炼：成体系、多精读

文章插图
关于读论文，前面也提到要关注自媒体，锁定几个目标会议期刊，有更新第一时间读一下感兴趣的论文摘要。也要分清楚精读和粗读论文，一般来说，研究生每周要精读3~5篇相关的论文。如何算是精读过一篇论文呢？上图展示了几个指标：
记住作者的名字
记住题目
能够很容易地说出这篇论文的毛病
能够很容易说出这篇工作的贡献
能够很容易说岀和这篇论文很类似的若干篇论文
能够很容易说出这篇论文的技术细节
能够很容易说出这篇论文的实验细节
能够想到这篇论文在自己的研究题目下该如何应用
除了上面几点之外，大家还要有自己的判断。题目和作者的名字是最基础的，这和前面提到的“由人找论文”形成呼应。
如果看论文找不到毛病，或者感觉这篇论文满篇都没有问题，这就说明阅读论文的深度不太够，因此要带着批判的眼光看论文。
关于实验细节和技术细节，盲目深入可能对你的研究没有特别大的帮助。有些论文的质量并不高，只要知道这篇论文对你接下来的研究题目有何帮助就可以了，其他的部分可能对你的收益并不大。

文章插图
学习机器学习，是本领域研究者学习硬功夫的过程。我个人总结了以上方法，首先要系统地学习一本机器学习书籍，当遇到困难的时候，唯一的解决方法是要天天看，天天想，天天推导公式，多用搜索引擎。检验是否掌握的唯一标准是：是否能用代码实现。
此外，还要积极参与学术报告或者预习讲者之前发表过的论文，当场提问。因为现场交流能够帮助你深入理解，解决闭塞。

文章插图
建议大家熟练掌握一门编程语言，或者一个框架。对于一般难度的模型，三天之内能够基本完成。抛开数据处理，如果需要很长时间写一个并不复杂的模型，那么这意味着你的代码能力可能需要极大的加强。
初学者在初级阶段不要“乱写”。代码要有规范，养成自己的代码风格，做到能够复用，写一个功能争取能够“复制拷贝”。
建议没怎么写过代码的同学，一定要找到成熟的工具包或者代码库入手，这样能省去很多绕弯路的环节。

文章插图
科研人员对于数据一定要非常敏感。数据对科研人员来说，是和应用最直接的沟通，如果不了解真实数据中存在的问题，还进行研究的话，相当于在空想模型。
建议同学如果没有感觉，就用一个方法去运行一个数据集，根据输出结果看问题，总结规律，磨炼自己成为真正对数据极度敏感的人：看到一个数据集，就能想到相关方法，从而预估正确效果。换句话说，了解数据的大概和分布之后，能够迅速在脑袋中找到相对的模型进行处理。