百科问答小站 logo
百科问答小站 font logo



中科院某所研一新生,小样本学习、数据融合、强化学习、图神经网络、资源受限的计算这几个方向选哪个更好? 第1页

  

user avatar   rewrgf 网友的相关建议: 
      

都看一遍。上手任何一个其实都很容易,但如果”我就是要钻研其中的某一个“然后拒绝上手其他的部分,那过两年就会成为时代的弃儿。


user avatar   breaknever 网友的相关建议: 
      

申请博士的时候一般都有个面试环节。我面试的一个老师是做图论(graph)的,他面试前就说会考察我相关的知识。我是真的不太懂图,脑子里剩下的只有本科那点知识了。于是面试的时候我就开门见山的说,xxx老师我想先坦诚我对图懂得很少,您也可以考察一些其他机器学习的内容。他说我知道了,然后就开始狂问我图相关的内容,甚至在我多次表示不会的情况下,还引导我推理出相应的结论。

我理解这可能是一种压力测试或者观察逻辑思维,也可能是考察接收新知识的能力。但自那以后图(graph)相关的内容给我留下一定的心理阴影。即使后来我的导师是做graph的专家,我也还是避开了这个方向。

但是故事到这里并没有结束,我现在正好在(大概是世界上最好的GNN研究团队)的实习项目就是参与打磨一个图神经网络系统。为了不尸位素餐,我又抽空重新温习了从最基本的图到图神经网络相关的内容,现在也慢慢懂得多了些。

原来我也没那么害怕图

我读博前是做集成学习的,包括在数据方面的融合和学习器的选择,而入读后两年的方向变成了系统相关的内容和自动机器学习,也包括元学习(meta-learning)和一丢丢小样本。这些转变是我两年前万万不会想到的。这么一算,这两年我已经至少做了四五六个方向了。

这些故事都是想说,你最终走到什么方向,是运气、实际条件、外在环境(比如论文的接收情况)等多重因素综合的结果你开始从什么方向入手其实没那么重要,且有很大的概率有会换很多很多个方向,直到慢慢收敛到一个方向,完成自己的答辩。我可以比较负责的说,不管你开始的时候选择的方向是什么,大概率你毕业的时候已经不太做这个方向了。

就像大部分优化问题一样,虽然初始化很重要,但没有过多先验的初始化方法跟随机也差不多。从方法论上说,建议选择一个你自己没那么讨厌(甚至有点感兴趣),且你的导师深耕的领域。这样至少能确保有稳定的发表,不耽误毕业。等你熟悉了科研的流程,并慢慢找到了感兴趣且做的动的方向,后面的故事你就可以自由发挥了。

最后最后想说的是,如果未来的职业计划只是算法岗就业,没必要读博。做好科研,写好文章,早点毕业。没有啥比这个更好啦~~




  

相关话题

  阿里的TDM树深度模型为什么很少有人用,是有哪些问题吗? 
  中国和美国谁能成人工智能领域的领军者? 
  你见过最差的算法工程师能差到什么程度? 
  有什么算法能对一个长短不一的时间序列进行分类预测? 
  如何看待 2020 届校招算法工程师岗位求职人数远大于招聘岗位的现象? 
  如何看待鄂维南院士等发起的机器学习联合研讨计划(c2sml.cn)? 
  如何评价ST-GCN动作识别算法? 
  能否训练一个AI模型来预测房价,寻找投资机会挖掘价值洼地? 
  当前深度学习理论基础薄弱是否意味着我们应该放弃深度学习应用(计算机视觉、自然语言处理)? 
  有哪些LSTM(Long Short Term Memory)和RNN(Recurrent)网络的教程? 

前一个讨论
中国和塞尔维亚的关系有多好?
下一个讨论
女朋友家里不愿意给她出钱,她非要自己存40w+出国读书。我该支持吗?





© 2025-02-23 - tinynew.org. All Rights Reserved.
© 2025-02-23 - tinynew.org. 保留所有权利