Область машинного и глубокого обучения развивается очень быстро, и каждый день появляются новые результаты исследований. Поэтому вам нужно будет читать статьи, чтобы быть в курсе новых алгоритмов и методов в этой области. Чтение исследовательской работы очень важно, так как оно расширяет ваши знания и позволяет глубже понять определенную тему, а также является ключевым элементом для того, чтобы оставаться на вершине своей области, особенно если вы работаете исследователем. Андрей НГ говорит:
Если вы прочтете 5–20 статей по определенной теме, например, обнаружению объектов, у вас будет общее представление об этом, в то время как если вы прочитаете 50–100 статей и поймете большинство из них, у вас будет очень хорошее понимание области или вы можете даже освоить.
Поэтому каждому исследователю или практикующему специалисту в области машинного обучения важно выработать привычку читать исследовательскую работу и уметь делать это эффективно. В этой статье я расскажу, как эффективно и результативно читать исследовательскую работу, не теряя интереса и не тратя слишком много времени и усилий без какой-либо пользы.
Содержание:
- Почему вы читаете исследовательскую работу
- Изучение исследовательской работы
- Расширьте свои знания
- Применение
- Основываясь на
- Заключительные замечания
- Рекомендации
Если вы хотите бесплатно изучать науку о данных и машинное обучение, ознакомьтесь со следующими ресурсами:
- Бесплатные интерактивные дорожные карты для самостоятельного изучения науки о данных и машинного обучения. Начните здесь: https://aigents.co/learn/roadmaps/intro
- Поисковая система для учебных ресурсов Data Science (БЕСПЛАТНО). Добавляйте в закладки свои любимые ресурсы, отмечайте статьи как завершенные и добавляйте учебные заметки. https://aigents.co/learn
- Хотите изучить науку о данных с нуля при поддержке наставника и учебного сообщества? Присоединяйтесь к этому учебному кружку бесплатно: https://community.aigents.co/spaces/9010170/
Если вы хотите начать карьеру в области науки о данных и искусственного интеллекта, но не знаете, как это сделать. Я предлагаю сеансы наставничества по науке о данных и долгосрочное наставничество по карьере:
- Долгосрочное наставничество: https://lnkd.in/dtdUYBrM
- Менторские сессии: https://lnkd.in/dXeg3KPW
Присоединяйтесь к программе Среднее членство всего за 5 $, чтобы продолжить обучение без ограничений. Я получу небольшую часть вашего членского взноса, если вы перейдете по следующей ссылке, без каких-либо дополнительных затрат с вашей стороны.
1. Почему вы читаете исследовательскую работу
Чтение статьи по машинному обучению становится все более и более важным не только для исследователей, но и для каждого специалиста по машинному обучению. По мере развития исследований в этой области становится очень трудно следить за новыми открытиями и алгоритмами в этой области без регулярного чтения научных статей.
Мы можем разделить цель чтения исследовательской работы на четыре основные категории:
- Изучение документа: это нужно для того, чтобы решить, является ли этот документ тем, что вы ищете, или нет. Этот шаг обычно является первым, если вы не заинтересованы в статье по рекомендации, автору или лаборатории.
- Повышайте уровень своих знаний/будьте в курсе. Еще одна цель чтения статьи — расширить свои знания и оставаться в курсе последних событий. Это очень важно, особенно в вашей исследовательской области или специализации (Обобщите и сохраните в базе данных или дереве, чтобы вы могли легко вернуться к нему после этого).
- Применить.третья цель прочтения исследовательской работы — применить описанный в статье алгоритм в своей исследовательской работе или практическом проекте. Это очень распространенная цель, и вам многое понадобится в вашей карьере, особенно если вы работаете на исследовательской должности.
- Основываясь на этом.Последняя распространенная цель чтения исследовательской работы – построить на ней свое исследование. Это будет обычным явлением, если вы работаете исследователем. Это потребует глубокого понимания исследования и архитектуры модели, чтобы иметь возможность реализовать ее, а также хорошего понимания математики.
Это общая цель, ради которой вы будете читать газету. Давайте рассмотрим каждый из них и посмотрим, как лучше всего подойти к каждому из них.
2. Изучение исследовательской работы
Первый способ прочесть исследовательскую работу — это изучить ее и решить, следует ли вам продолжать ее или нет. Здесь вы хотите решить, подходит ли эта бумага для вашего проекта или нет. Кроме того, если это заинтересует вас или нет, если вы читаете, чтобы оставаться в курсе или расширить свои знания в определенной теме.
Плохой способ — читать от первого до последнего слова, так как это потребует слишком много времени и усилий, так что вы не сможете просмотреть много документов, и в конечном итоге вы потратите слишком много времени без какого-либо результата. Однако лучшая стратегия состоит в том, чтобы иметь два прохода:
- При первом проходе прочтите заголовок, аннотацию и рисунки [Ключевые рисунки статьи].
- Во втором проходе: еще раз внимательно прочитайте введение, заключение и рисунки, а остальное просмотрите. Так как они дают очень хорошее резюме того, о чем статья. Просмотрите соответствующую работу, если вы работаете с этой темой и хорошо разбираетесь в ней. Однако, если вы этого не сделаете, вам будет сложно понять этот раздел. Важно отметить, что иногда автор размещает статьи рецензента в этом разделе, чтобы повысить вероятность их принятия.
Теперь вы можете решить, будете ли вы читать газету или нет. Этот шаг должен быть общим шагом для всех целей чтения, если вы не должны читать статью по какой-либо причине.
3. Расширяйте свои знания
Вторая цель чтения статьи — расширить свои знания и быть в курсе новых алгоритмов и результатов исследований. Это очень важно для каждого специалиста по машинному обучению. Сначала вам следует провести исследование статьи, описанное в предыдущем разделе, в ходе которого вы просматриваете статью и решаете, продолжать ли ее читать или нет. Если вы решите прочитать ее, вы можете следовать этой стратегии, чтобы получить максимальную отдачу от бумаги:
- Не торопитесь:
- Они сложны, и на их написание ушли годы, не ждите, что вы освоите их за короткое время.
- Это облегчит процесс и снизит ваши ожидания.
2. Начните с раздела аннотации, заключения, данных и результатов:
- Аннотация: это даст вам обзор документа и сообщит вам о его цели и о том, является ли он новым или нет. Кроме того, вы посмотрите на ключевые слова и поймете, то ли это то, что вы ищете, или нет.
- Вывод: Чтобы лучше понять основной результат, будущую работу и значение их результатов.
- Данные. Вы будете знать данные, используемые для получения результатов в документе и для обучения модели, используемой в документе.
- Результаты. Как модель улучшилась по сравнению с другими эталонными тестами и по сравнению с известными моделями, выполняющими те же задачи.
Это даст хороший обзор статьи, ее цели, использованных данных и результатов. После завершения этого процесса попробуйте ответить на следующие вопросы, чтобы убедиться, что вы поняли документ:
- Чего пытались добиться авторы?
- Каковы были ключевые элементы?
- Что можно использовать самому?
- какие еще ссылки вы хотите следовать?
4. Подача заявки
Третья цель, ради которой вы будете читать статью, — применить ее в своем проекте. Обычно это происходит после первых двух целей. Поэтому обычно вы сначала изучаете документ, чтобы убедиться, что он подходит для вашего проекта и охватывает то, что вы с нетерпением ждете, а затем хорошо понимаете основные концепции в документе, следуя методу, описанному в предыдущем разделе. Теперь пришло время применить алгоритмы из статьи к данным вашего проекта. Вот как вы можете подойти к этому:
1. Проверьте наличие бумажных данных и кода:
Загляните на сайт бумага с кодом и посмотрите, доступны ли код и данные этой бумаги или нет. Вы также можете поискать бумажную реализацию на GitHub и Kaggle. Поиск бумажной реализации облегчит процесс, поскольку поможет понять, как она была построена, и поможет вам, если вы захотите использовать ее, особенно если вы хотите использовать ее для новых данных. Это сэкономит вам массу времени.
2. Изолируйте, как была построена модель
Если коды для бумаги недоступны, вам нужно будет реализовать модели с нуля. Вы можете сделать это следующим образом:
- Архитектура модели. Почти в каждом документе есть схема архитектуры. Понимание этого поможет лучше понять, как работает модель и что она делает.
- Входные и выходные данные. Понимание входных и выходных данных модели поможет вам лучше понять модель и то, что она делает. Глядя на результат, будь то вероятность, карта сегментации, ограничивающие рамки и т. д.
- Новые или новые слои. Знакомство с новыми методами или слоями, используемыми в модели, будет очень полезно узнать о дополнении к этому документу. В дополнение к этому, код или реализация документа, вероятно, будут сосредоточены на этих новых слоях. Таким образом, вы должны иметь хорошее представление об этих новых слоях, чтобы иметь возможность реализовать их.
- Расчет убытков: в документе будет математическая формула расчета убытков. Это будет важно заметить и понять перед внедрением, так как это повлияет на ваши результаты. Кроме того, вам нужно понять, на каком основании он был выбран, так как это повлияет на вас, так как вам может потребоваться изменить его, чтобы он вписался в ваш проект.
- Обучение модели: понимание того, как модель была обучена, какие гиперпараметры использовались, размер пакета и конфигурации модели.
3 . Знайте, что вы не поняли
- Выделите пункты, которые вы не поняли, которые требуют дальнейшего чтения или исследования. Исследовательские работы строятся друг на друге. Поэтому ожидается, что у вас есть определенный опыт и знания, связанные с документом, который вы читаете. Выделите и запишите моменты, которые вы не поняли, и найдите ссылки и ресурсы, которые могут помочь вам в этом, возможно, на них уже есть ссылки в статье, которую вы читаете.
4. Попробуйте
- Чтобы по-настоящему понять модель, вы должны обучить модель на бумажных данных, если они доступны, и попытаться воспроизвести результаты, если это возможно. Это поможет понять, как работает модель, а также разовьет ваши навыки создания пользовательских слоев и разработки собственных показателей потерь, подходящих для вашей задачи и данных.
- Иногда это будет сложно, даже если данные доступны для повторного обучения модели на всех данных, поскольку это займет слишком много времени, поэтому вы можете применить модель только к подмножеству данных, чтобы убедиться, что реализованная модель работает должным образом. а затем вы можете применить его к своим данным.
5. Примените его к своим данным
- Последний шаг — применить модель к вашим данным. Вы можете применить ту же модель, что и в документе, без каких-либо изменений, или вам может потребоваться изменить ее, чтобы она соответствовала вашему проекту или применить ее к вашим данным.
5. Основываясь на
Последний способ или цель прочтения статьи — это опираться на нее и производить новый исследовательский результат. Конечно, ваше исследование будет основано на большом количестве статей, но основная идея может быть построена на определенной статье в каком-то исследовании. Иногда вы можете работать над похожей задачей и данными и хотели бы улучшить результаты, или вам может потребоваться оптимизировать определенную модель или архитектуру или использовать определенную модель в новой задаче. В этом случае вам нужно будет иметь глубокое понимание бумаги. Лучший способ решить эту проблему — следовать трем предыдущим подходам, а затем получить математические расчеты моделей с нуля. Это может быть сложно, но это будет лучший способ убедиться, что вы хорошо поняли модели и можете использовать их и улучшать.
6. Заключительные замечания
Всегда помните, что постоянно лучше, чем зубрежка. Читать две-три исследовательские работы каждую неделю лучше, чем читать огромное количество статей за длинные выходные или отпуск.
Если вы хотите прочитать исследовательскую работу, когда вы не знакомы с основными понятиями:
- Цепочка исследований, которой нужно следовать, если вы новичок в этой области или не имеете предварительных знаний по этой теме. Прочтите упомянутую работу во введении и в разделе фона (если он есть), это поможет вам понять необходимый и отсутствующий фон.
- Гуглите и читайте о неизвестных ключевых словах или темах.
- Разберитесь в математическом уравнении и найдите математические символы и экосистемы этой исследовательской области.
Наконец, вот несколько ресурсов, где можно найти исследовательские работы и быть в курсе новых результатов исследований:
- Twitter (следите за исследователями, исследовательскими лабораториями и университетами)
- Субреддит машинного обучения
- Конференции высшего уровня, такие как NIPS/ICML/ICLR
- Связи, коллеги и друзья
7. Ссылки
- Чтение научных статей Эндрю Нг
- Мастер ML Papers, не теряя ни хрена
- Как я читаю и систематизирую академические статьи (по машинному обучению)
Спасибо за чтение! Если вам понравилась статья, не забудьте поставить аплодисменты (до 50!) и связаться со мной в LinkedIn и подписаться на меня в Medium, чтобы быть в курсе моих новых статей.
