全面梳理丨吴恩达给AI领域学生的发展建议

来源：数据实战派

  本文约3802字，建议阅读7分钟
本文介绍了吴恩达在阅读文献和职业规划上给过学生一些非常有价值的建议。

在 AI 领域，吴恩达几乎无人不知。这位著名的 AI 研究者，也是一名杰出的 AI 教育家。

当他还在美国斯坦福大学任教时，曾在阅读文献和职业规划上给过学生一些非常有价值的建议，以下为我们对这些建议进行系统整理后的内容，希望能帮到有需要的读者。

关于如何阅读文献

深度学习领域的发展真的很快，以至于即使你已十分熟悉深度学习的基础内容，还是很难做到在理论和实践知识上都与行业与时俱进，因此，能否有效阅读文献对开发和研究者们来说可谓是尤其重要，我可以给你们一些参考建议。

通常我们都会觉得“学会怎么读论文”是一个潜移默化的过程，但我希望这次分享内容能帮你们加速这一过程。

现在，假设你想通过阅读文献来增近对某一特定领域的了解，比如自然语言处理，我会采取的策略是先汇总一份需要阅读的论文清单，这些论文的来源可以是 arXiv，互联网，Medium 博文，或者 GitHub 上的一些帖子。

但不管你的学习资源来自哪里， 在你汇总出一份文献清单后，我推荐“并行+扩充阅读法”，而非按清单从上往下，一篇篇从头读到尾 。

首先 ，画一个表格，表格的纵轴上列出你待读清单上的论文，横轴上是一篇论文的读完百分比（从百分之零到百分之百），然后对所有的论文进行速读，大概掌握每篇论文要讲什么，将每篇论文的阅读进度都完成到约百分之十。

然后 在此基础上，如果我们能判断出清单上有那种“意义不大”的论文，即使有许多论文都引用了它，也不要害怕说自己判断错了，要大胆相信自己的判断，将它移出清单，而除此之外，我们通常也能在这一过程中判断出，哪些论文是那些具有关键信息的文献，而一旦识别出了这些文献，我们便要花更多的时间和精力去细读它们。

如此一来，我们便有可能在这一细读的过程中又发掘出一些新的文献，然后在发觉到“要理解当下细读文献的内容，需要先读新发掘出的文献”时，我们就要先去阅读那篇新发掘出的更为基础的文献，然后再在阅读这篇新发掘出的文献时重复刚才的过程，直到找到一篇能直接读到底的文献，将它读完后，再回去将之前引出这篇“底部文献”的那些文献按顺序一一读完。

而就论文的阅读数量来说，一般需要读 15 到 20 篇论文，才能对一个细枝领域有一些基本的了解，并也只有是在这一基础上，才能进行一些真正意义上的实践，在有理解的基础上实现一些算法。

通常，在读了 50 到 100 篇论文后，能对想要了解的某一细枝领域有一个相对较好的了解。而如果只是读 5 到 20 篇文献，我们或许能实现一些算法，但没法跟上该领域的前沿进展。

个人来说， 我在阅读一篇论文时，通常会将阅读的过程分为几步 。

第一步是读论文的标题、摘要和图表。

图表们在深度学习领域的论文中尤为重要，很多论文都会用图表来概括整篇论文所讲的内容。取决于具体的需要，我或许还会略读一下论文的方法和实验部分，然后通过以上所有，我就能在不细读整篇论文的情况下，较好地了解论文是要讲什么。

在第一步的基础上，我会开始第二步 ， 细读论文的 Introduction（介绍）和结论，并细读这两个部分中所使用到的图表。

而对于论文中的 Related Work（相关研究）部分，很多人会在第一次阅读时略过，原因是如果在开始阅读前对论文所涉及的领域了解不深，可能根本读不懂这里讲的是什么，但如果我们决定要阅读这一部分，需要注意这一部分内容 客观性 ，很多作者在书写这一部分时，都是选那些能支持论文内容的材料写进来，作为“说服审稿人发表这篇论文”之努力的一部分，所以这里要有这个意识，注意这个部分的客观性。

在进行完第二步后，第三步的内容非常简单，就是先略过理论的数学部分来读论文，然后我们便可以进行下一步了。

第四步， 通读全文，但要在阅读过程中略过讲不通的部分 ，原因是实际发表论文时，都会尝试将论文包装成一种前沿研究，而有时我们其实并不知道所写的论文里哪些重要，哪些可能其实不重要。

因此，在很多被大量引用的论文中，大家在后来都是发现说这些论文的部分内容十分有用，而有的部分则是根本不重要，但重点是，作者在写论文的时候是没法知道这些的，通常没法在写论文时就知道所写的内容里哪些比较重要，哪些不重要。

比如 Yann LeCun 的 LeNet 系列论文，论文中有的内容成为了卷积神经网络发展的基石，有的内容则是一些不太相干的东西，比如 Transducers 等概念，这些在现在很少有人会用。

所以，当你在阅读一篇论文时觉得“有的东西讲不通，或者根本没什么用”时，不用怀疑自己，跳过就行了。当然，如果你想做关于某一方面的深度研究，那当我没说。

一般来说，我个人按以上方法读完一篇论文需要大概 30 分钟，但我在机器学习领域算是比较专业了，掌握的信息很多，所以能在大概半小时内读完，你们可以按照自己的速度来，不用参照我的时间。

关于文献的来源

另外一个我经常会被问到的，关于阅读文献的问题。

一般去哪里搜集需要阅读的文献？关于这一点，我想说的是， 上网检索是非常重要的 。关于一个话题的相关信息，无论是论文还是技术博文，你都能通过网上检索找到。

此外，很多人都想做到说，自己掌握的信息能否“实时”与深度学习这一领域的前沿发展接轨，关于这一点，我觉得T特现在已经成了科研人员们用于发现新事物的一个好地方，除此以外，在 Reddit 上 关注机器学习话题 也会有所帮助。当然，关注 领域内的会议 作用也很大，比如 NIPS、ICML 和 ICLR。

关于深度阅读文献

关于阅读文献我还想再补充两点，一是，很多论文或其它资料里都有数学内容，有时这些数学内容里的推倒可能非常难懂，而如果你想确保自己有读懂这些内容，我的建议是先通读一遍，然后看自己能不能从论文中给出的推倒的起点，推出后面的那些算式，如果你能成功完成推倒的话，那你绝对是已经完全读懂了这篇论文。

而就我个人来说，由于我在读博士时就经常这么做，我发现这种做法后来除了能帮我读懂别人的研究，还有锻炼发现新算法的能力。

当然，这么做会需要你花费大量的时间，要不要这么做还是取决于你的具体需求，比如你是否真的想要完全读懂一篇论文。

关于如何读懂代码，与数学部分类似，我的建议是，如果你想完全搞懂这篇论文所用的代码，就尝试在看完代码以后，重新实现一遍论文所用的代码，如果能成功实现的话，便说明你已经完全搞懂论文所用的代码了。

关于文献阅读习惯的长期建议

在长期上，我建议常读论文，而不是采取那种突击式读论文的方法，比如可以每周读一两篇，而不是在感恩节假期时突击读它个 50 篇然后就再也不读了。

从教育学和脑科学上来说，这么做也能帮我们养成一个良好的习惯。

关于职业发展

之前很多学生都有问我要一些关于职业发展的建议，这也确实是一个很重要的问题，比如就我们所知，现在机器学习所涉及的领域真的是太广了，如何才能知道自己究竟想做什么呢？

首先，我需要做一个假设，就是大多数人，都只想在职业发展上涉及一到两个领域。

无论你是想留在大学里，还是去公司里工作，我都希望你们所从事的工作是重要的，或者说，是有意义的，然后在此基础上，我想谈两个与职业发展有关的问题，一是要怎么拿到一个职位（Phd，教职或是公司职位），二是我们要如何着眼于长期规划来选择职位。

1、关于找工作，招聘官们在寻找什么样的人？

首先，很多招聘官们都会青睐那些有专业技能的人，比如在机器学习领域，很多面试官会问你，你会不会用这种方法或是那种方法，然后再细问一些关于特定方法的问题，比如，在使用 batch gradient descent 这一方法时，调整 mean batch size 会有什么样的影响等等。然后，除了你在机器学习上的知识，很多面试官也会关注你的编程能力。

此外，他们还会关注“你之前做过哪些有意义的工作”，原因是一个人有很棒的理论知识基础，并不能说明这个人就能很好的使用这些理论，所以，如果能有一些理论实践的话将是很好的。

许多面试官也会看重面试者的 持续学习能力 。

很多工作并不需要你是个“全通”，你只需在对机器学习有一个整体的了解上，能做到相对精通那份工作会涉及到的领域的内容就行了。

关于这个有很多衡量标准，有时面试官可能会想要了解你此前在有关领域内的工作，或者是你此前在有关领域内产出的一些开源代码，这些信息能帮助面试官判断“你是否能就一个问题给出有效的解决方案”。

2、如何选择一份工作

如果你的目标是想做到持续学习，和厉害的人从事有意义的工作是很重要的，环境的熏陶有时还是能带来蛮大影响的。

所以，在选择自己想要去哪里工作时，要注意那里的团队怎么样，是否是自己想要的一个环境。

还有就是，你是否觉得那份工作的上级与你合得来。

最后就是公司品牌。比起品牌，你更需要关注的是你是否能与可能的上司合得来，是否能与团队合得来，是否喜欢那里的工作环境，这一点对于很多招聘官来说也是一样的，招聘和面试官们比起你之前在哪工作过，会更关注你是个什么样的人。

另外，如果一份工作在你收到 offer 后拒绝给你透露你将要进行的项目内容、团队和上级信息，要提高警惕。因为这种情况下，如果没有特殊原因，意味着将这些信息透露给你将会降低这份工作对你的吸引力。

最后，还是之前谈到的，可能是最重要的一个建议，在选择工作时，选择那些你觉得有意义的工作，并在工作中积极学习你能学到的东西。

我个人觉得，未来，AI 并不是只有在这些科技公司里才能用的上，而是在很多被视作“传统行业”的领域里都能大显身手，所以在职业选择上，我建议不用把自己限制在科技行业里。

—— END ——