Un chercheur d'apprentissage bonne machine Quelles qualités?
Code est super-puissance? Ou les connaissances théoriques Yiqijuechen? la théorie du code et de la force est importante, mais de bonnes habitudes devrait être le seul critère pour savoir si un bon test.
ce qui est nécessaire pour devenir des chercheurs efficaces ML font suivre avec les dernières recherches Arxiv Sanity Preserver, de sorte que le train de modèle autour de l'horloge, afin de maximiser l'utilisation de débordement de pile ..... En plus de ceux-ci,?
Récemment, les utilisateurs sur Reddit Question poster: « machine efficace des chercheurs d'apprentissage ont ce genre d'habitude » En réponse, de nombreux utilisateurs ont un message d'arme, très animée.
Auparavant, l'un des membres fondateurs du chercheur et Open AI John Schulman également spécifiquement écrit un « guide d'apprentissage de la machine », la possibilité de sélectionner de la recherche pour étudier la question d'une force motrice, et sur les méthodes de recherche spécifiques, mis en avant leur propre la proposition initiale. Regardons à:
Tout d'abord, cultiver la capacité de choisir les bonnes questions de recherche
Dans l'étude de l'apprentissage de la machine, la possibilité de choisir les bonnes questions de recherche, encore plus important que la technologie elle-même, votre capacité d'avoir. Et cette capacité est le succès final par une longue observation dont les idées, qui voient éventuellement être oubliées et nourri: le succès de ces idées pourrait se transformer en une pierre angulaire dans certaines régions de nouvelles idées et de progrès, mais la pensée d'être enfin ignoré probablement parce qu'ils sont trop complexes ou trop fragiles ou trop petits progrès graduels apporte.
Cette observation cumulative, de sorte que vous pouvez apprendre, quel point est-il une valeur à long terme, qui ne peut être en mesure de voir « flash dans la casserole. » Pour cultiver cette capacité, nous pouvons également découvrir quelques raccourcis, voici plusieurs façons cela peut fournir une référence:
Tout d'abord, lu beaucoup de papiers, et a évalué de façon critique ces documents. Si possible, dans la mesure du possible pour discuter de ces documents d'inviter des chercheurs exceptionnels dans le domaine de l'apprentissage machine.
En second lieu, essayer de rejoindre des sujets de recherche similaires équipe de recherche, afin d'apprendre de leur expérience de recherche et de développer un bon travail d'équipe.
En troisième lieu, le choix des questions de recherche, ils peuvent demander conseil à des chercheurs chevronnés et d'autres chercheurs expérimentés. Recommandé aux besoins des autres ne sont pas honteux, mais quand vous avez finalement décidé d'une étude appropriée du problème, vos compétences seront inspirés par le potentiel et la capacité de maximiser les meilleures recherches.
Quatrièmement, prendre un moment pour réfléchir à la façon dont la recherche est utile et peut rendre les résultats de ces vous poser les questions suivantes:
Dans quelles circonstances est la théorie utile?
Dans tous les cas, les résultats de l'expérience peuvent migrer à l'étude?
Ce qui rend certains des points à être largement acceptée, tandis que d'autres ont finalement été oubliés?
Quel avenir les tendances dans le domaine de l'apprentissage de la machine est? Qu'est-ce que la recherche peut faire d'autres recherches loin derrière?
Parmi eux, le premier point au troisième point, le but de la recherche conçu pour optimiser votre environnement et obtenir des conseils d'autres chercheurs là pour apprendre une certaine expérience, et le quatrième point vous oblige à penser pour eux-mêmes.
Le premier point, il peut certainement « état de choc, le travail influent est presque tout fait par l'équipe de recherche et les institutions d'une petite partie du » troisième point important du fait qui a été vérifié.
Ce n'est pas parce que les chercheurs de ces équipes de recherche ou des institutions beaucoup plus intelligents que d'autres chercheurs, mais parce qu'ils se tiennent sur les « épaules de géants », a l'expertise et la perspective d'une densité plus élevée, de sorte que la communauté peut être comparée d'autres chercheurs une ahead étape. Mais malheureusement, si vous ne pouvez pas effectuer des recherches dans l'apprentissage machine un tel environnement, ne soyez pas découragés, vous pouvez également passer des efforts supplémentaires, savoir-faire et développer leur propre point de vue unique, de marcher devant les autres.
En second lieu, la recherche est tirée par la vue ou le lecteur cible?
(Réseau Lei Feng)
Après la sélection d'une bonne étude, en général, vous pouvez décider quoi faire de deux façons: d'abord, le point de vue de conduire, conformément aux vues de certains documents pour mener à bien la tâche suivante. Si vous lisez juste le travail de papier à un point de vue cohérent et des idées et vous avez alors à réaliser, il est naturellement le meilleur.
Ensuite, vous pouvez démarrer un projet pour tester vos idées. En second lieu, le lecteur cible, l'objectif est de développer de nouvelles compétences AI que vous voulez en même temps résoudre certains peuvent vous faire un pas de plus vers l'objectif ultime de problèmes. Dans les laboratoires, vous pouvez essayer de tester quelques-unes des méthodes existantes dans la littérature, après leur nouvelle approche proposée basée sur ces méthodes pour optimiser le son. Bien sûr, ces deux approches ne sont pas mutuellement exclusives, toute recherche dans le domaine de l'enfant d'apprentissage machine inévitablement impliquer certains objectifs (comme la détection de cible), et tout projet « conduit vue- » représente également les objectifs de développement sous-terrain les progrès de la recherche, en ce sens, le « point de vue conduite » est en fait un exemple « axée sur les buts » sous la forme de la recherche.
Et « but-driven » énumérés ici tout seul, il fait référence à un des objectifs de chaque apprentissage et de développement ciblent un sous-zones spécifiques de la machine plus clairement, l'accent est « de devenir la première personne à manger des crabes », plutôt que sur une étude réalisée l'optimisation et à l'amélioration. À long terme, la recherche « objectif axé sur » La plupart des chercheurs en termes de plus précieux. Il y a une recherche à haut risque « point de vue de conduire » est la suivante: pourrait dupliquer le travail d'autres chercheurs.
Les chercheurs du monde entier pour lire des documents de la littérature sont similaires, ce qui les rend très facile à produire une idée similaire. Et si vous voulez faire une percée en étudiant les travaux de « point de vue de conduire », vous devez créer une connaissance approfondie unique de vos propres recherches, et à d'autres chercheurs avec la communauté de réaliser différentes études visuelles, certaines personnes probablement vous pouvez le faire, mais très difficile à faire.
D'autre part, l'étude « but driven », votre objectif en lui-même peut vous donner un autre point de vue unique d'autres chercheurs, et les guides vous posez des questions posées ne des autres, de sorte que vous obtenez plus de progrès.
De plus, cette approche de recherche qui vous rend aussi plus motivés: Chaque matin, sont en mesure de vous attendre à un but de se lever. Cela rendra votre étude dans les hauts et les bas de la guerre prolongée, plus facile de s'y tenir. En termes de travail d'équipe, l'équipe de collaboration de chercheurs a étudié la « cible axée » et aide à effectuer des travaux de recherche de différents aspects du problème. L'étude « point de vue driven » par le 1-2-membre « équipe » pour mener à bien, est le plus efficace.
Troisièmement, la vision, les objectifs étape par étape montée au sommet
(Réseau Lei Feng)
Quelques bonnes recherches et intelligent gens qui travaillent dur Pourquoi ne pouvez-vous faire? Une raison importante est que les problèmes qu'ils étudient pas des problèmes majeurs. Lorsque vous démarrez un projet de recherche avant, vous pouvez vous demander: aller étudier cette perspective d'émission combien?
Il apportera une amélioration de 10% ou une amélioration de 10 fois? Un goulot d'étranglement majeur de nombreux chercheurs souvent rencontré est: les projets en cours semblent intéressants, mais le résultat ne peut parvenir à une légère augmentation du nombre d'indicateurs. Pour tenter d'atteindre un plus grand objectif du processus, la nature progressive du travail (une amélioration de 10%) est très utile. Par exemple, Krizhevsky, Sutskever et Hinton 2012 article fondateur publié un article sur l'utilisation de convolution réseau de neurones pour classer IMAGEnet dans, n'a soulevé aucune nouvelle partie de l'algorithme, mais pour parvenir à une légère amélioration à bien des égards, les résultats obtenus un résultat sans précédent, ce qui en fait au moment presque tout le monde a été surpris (bien que pour l'instant, on ne voit rien).
Dans le travail de tous les jours, vous pourriez obtenir en termes de performance ou comprendre des améliorations progressives, mais pas à franchir un mille miles, ces petites améliorations vous pousser en avant vers un objectif plus large. Si vous avez l'intention d'effectuer des recherches sur un certain nombre de points de vue supplémentaires, besoin d'être conscient de l'utilité de ces études dépend de leur complexité.
Amélioration des méthodes de référence un peu mieux est très simple, presque personne ne serait autre être prêt à l'utiliser, même si vous ne voulez pas utiliser. Par exemple, si une amélioration de 10% peut être obtenue, de préférence deux lignes de code peuvent faire, et si l'amélioration de 50% peut être réalisée, la ligne 10 peut encore être augmentée. Maintenant, vous pouvez revenir en arrière et de regarder leur machine d'apprentissage résultats table, si vous développez un programme de recherche à long terme suffisant pour atteindre ces résultats ne, si vous ne voyez toujours pas une route menant à l'objectif ultime, vous devriez essayer d'ajuster votre plan sous la .
Quatrièmement, l'utilisation rationnelle de l'ordinateur portable
Une fois l'intention de développer un nouvel algorithme d'apprentissage de la machine, il est nécessaire de se concentrer sur un problème à long terme. Il est fortement recommandé que les chercheurs ont une version spéciale de papier de cahier de Ye Hao, la version électronique peut être utilisée à des pensées et des expériences quotidiennes records.
Si la version électronique de l'ordinateur portable, il est recommandé de créer une entrée tous les jours, a écrit « Que fais-tu » dans cette entrée, quel genre d'idées, ainsi que les résultats expérimentaux.
Tous les douze semaines pour faire une évaluation, y compris l'examen lu tous les dossiers quotidiens, y compris l'idée d'idées, le code, le calendrier, planifier l'étape suivante, et ainsi de suite. En plus de ces dossiers quotidiens ont besoin condensé en un simple résumé.
Certains détails ne peuvent pas être ignorées, comme l'omission de tout temps d'ajouter du contenu dans le processus d'examen, les résultats des tests sont stockés dans un seul endroit, facile à voir rapidement les résultats. Que des notes pour faire une meilleure utilisation du temps de surveillance, d'éviter l'idée en raison du manque d'indices arrangements en temps et fait l'étude à mi-chemin.
Cinquièmement, il y a dévotion, de ne pas « continuer à se battre. »
Dans l'étude de l'apprentissage machine, inévitablement rencontrer des problèmes difficiles, ne pas abandonner, ne pas l'esprit a tendance à vous faire investir trop de temps. Mais l'expérience a montré que certains des problèmes, peu importe ce que vous essayez, vouée à l'échec. sage modération, définir un pour lui-même « limite » sur la limite simplement abandonner.
En outre, la question de recherche de commutation trop fréquentes conduit souvent à l'échec. la performance typique est: l'idée est de parvenir à une lutte, une autre prometteuse apparut tout à coup dans le cerveau, puis se tourner vers « la lutte » Cette nouvelle idée. Si les idées d'apprentissage machine à commencer bientôt tenter de l'essayer, ne désespère pas premier échec, l'insistance raisonnable pourrait être en mesure de voir l'aube.
Comment faire raisonnable « prêt », l'expérience de la pratique par des détails du projet cahier d'examen en temps opportun, vous pouvez constater que la plupart du temps est consacré au projet « pour produire des résultats », ainsi qu'une partie du temps est consacré à lâcheur sur le projet.
Par conséquent, l'examen en temps opportun, afin de maintenir la cohérence de l'étude et la mise en uvre dans le sobre final. Une autre stratégie plus efficace est: passer du temps budget fixe et la ligne principale du travail qui tentent des idées nouvelles et différentes. Par exemple, un jour par semaine pour passer du temps avec vous pour faire quelques grands projets choses entièrement différentes. Ceci est en même temps la rencontre « cupidité », mais aussi aider à élargir leurs connaissances.
Sixième, lire, écrire, manuel est le meilleur professeur
Chaque projet d'apprentissage de la machine apportera de nouveaux défis, les gens intelligents font le projet dans le processus de l'apprentissage des compétences de pointe complètent les antécédents personnels. Réservez du temps pour le développement personnel à long terme, peut améliorer considérablement les possibilités d'avancées.
Plus précisément, les chercheurs d'apprentissage de la machine doivent allouer une partie de temps pour améliorer la qualité de l'apprentissage de la machine, si seul le plan actuel du projet, ne veulent pas dépenser de l'énergie pour mettre à niveau, puis après avoir compris les bases de travail des besoins quotidiens, les chercheurs sont susceptibles de stagner. Bien sûr, un séjour très agréable dans la zone de confort, « station » ne peut pas aller de l'avant sans dépenser d'énergie.
Ainsi, au début de sa carrière devrait faire les plus grands efforts pour élargir la zone de confort. Lisez le manuel qui vous intéresse, les algorithmes liés papier et de reproduction. Le droit de développer leur propre planification avancée, en lisant un petit ensemble de documents pertinents et les manuels progressivement. La plupart des machines d'apprentissage les élèves des écoles professionnelles après l'obtention du diplôme aura rarement le temps de lire les manuels, c'est une très mauvaise habitude, par rapport au papier, la connaissance des manuels scolaires de plus intensive et mieux en mesure d'élargir leur base de connaissances.
Un excellent manuel couvre la première hors du terrain souvent au cours des dernières décennies, l'idée, et les symboles et les termes utilisés sont également plus de style formel, le récit est lentement approche progressive, progressive. En plus des manuels scolaires, le personnel de recherche de thèse de doctorat est également très matériel d'apprentissage.
L'auteur de la thèse de doctorat de recherche générale ML a un format fixe: 1 Contexte et enjeux de pointe, 2 articles publiés précédemment (il y a un dicton que le document déjà publié « agrafés » ensemble sera en mesure d'écrire le Dr 3. conclusions et perspectives, le papier). Comme vous pouvez le voir ci-dessus, dans les première et troisième parties peuvent bénéficier le plus, car ils contiennent le passé, l'avenir du champ unifié d'observation.
Les manuels scolaires et l'aide de la thèse de doctorat que vous construisez une base de connaissances, mais de vouloir être l'ère des amateurs de plage, doivent lire les journaux, le papier tend à se concentrer sur la dernière d'un point et d'innovation. En lisant le résumé, étude d'observation comparant Enrichissez votre créativité.
Si vous êtes débutant dans la fosse des chercheurs devrait passer plus de temps pour reproduire l'idée du papier, et par rapport à leurs méthodes expérimentales. En effet, par rapport au lecteur passif, peut obtenir une meilleure compréhension des problèmes. Une fois que vous avez En outre, la technologie la plus avancée reproduit à, alors il pourrait dépasser à seulement un pas.
En plus de lire le papier séminal et les reproduire, mais aussi nous devrions nous concentrer sur les papiers populaires. Lissez avec un il critique, et peut vous aider à trouver le point, vous ouvrez la porte à d'autres idées.
Reddit arme utilisateur
(Réseau Lei Feng)
https://www.reddit.com/r/MachineLearning/comments/f4oxuj/discussion_what_are_some_habits_of_highly/
Discussion sur ces questions, zone de la machine Reddit a toujours été loin derrière, 18 heures de fièvre a atteint 265. Dans les commentaires de réponse, de nombreux utilisateurs points de commentaires donne des conseils!
Dans l'ensemble étaient les suivantes:
1. un aperçu de gain des premières expériences pilotes, ne perdez pas de temps sur la puissance, sans doute, de la même idée.
2. Ne doutez pas toujours la perte de la fonction de votre choix.
3. plus d'échanges et collègues, expliquent les principes d'écriture claire sur le tableau présenté directement pour commencer.
4. La plupart des gens aiment parler de leur travail.
5. Créer dossier source de projet pour les éléments d'intérêt et triés selon leur fonction.
6. Apprenez à construire un ensemble de données et nettoiera et trier la collection.
7. Maintenir une bonne classification des données
8. comprennent « les moteurs de voitures de conception souvent pas en course, » parfait est le plus grand ennemi parfait.
9. Dans le traitement des questions difficiles, nous pouvons le diviser en deux.
10. savoir quand coins coupés, lorsque de persister à la fin.
11. célébrités et de la coopération, de sorte que la célébrité plus bien connu, et vous permettent de devenir célèbre.
12. La chance est très important!
