机器学习博士之路：ICLR2020指南

"这篇ICLR2020的指南针对有志于从事机器学习和深度学习研究的博士生，提供了一系列宝贵的建议，包括如何启动学习、跟踪最新研究、申请博士项目以及选择导师。作者们分享了他们在编程、基础知识学习、优化理论、理解论文贡献等方面的实用资源和经验。" 在攻读机器学习博士的过程中，有几个关键步骤和注意事项可以帮助你成功地开始这段旅程： 1. **启动学习ML/DL**： - 阅读书籍：推荐"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow"，"Deep Learning"以及"Mathematics for Machine Learning"，这些书籍可以为你构建坚实的理论基础。 - 观看在线课程：fast.ai 提供的课程如 fast.ai courses 和 learnfast.ai library 可以帮助你快速掌握实践技能，同时，pytorch官方网站也提供了丰富的教程和示例。 - 学习优化理论：Stephen Boyd的"Convex Optimization"课程是理解机器学习中优化算法的绝佳资源。 2. **跟踪最新研究**： - 阅读和分析发表的代码：这有助于理解论文的实际贡献，并将这些贡献与论文中的数学解释对应起来。通过这种方式，你可以更深入地理解算法背后的原理。 - 关注会议和期刊：如ICLR、NIPS（现为NeurIPS）、ICML等顶级机器学习会议，及时了解领域的前沿动态。 - 订阅学术新闻源：例如ArXiv预印本论文库，以便获取最新的研究成果。 3. **申请PhD**： - 准备研究计划：清晰地表达你的研究兴趣和目标，展示你对领域的理解和洞察力。 - 建立学术网络：参加研讨会、会议，与潜在的导师和同行建立联系。 - 准备个人陈述：强调你的背景、技能和动机，以及为什么你适合这个项目。 4. **选择PhD导师**： - 研究导师的研究方向：确保他们的研究兴趣与你的匹配。 - 考虑导师的指导风格：有些人注重指导，有些人则更倾向于让学生独立探索。了解并找到适合自己的导师类型。 - 交流和面试：直接与导师沟通，了解他们的期望，同时也可以评估你们之间的化学反应。 5. **工作后再读研/博后到工业界工作**： - 工作经验能提供实用视角：在实际工作中应用所学理论，可以帮助你更好地理解研究问题的实际意义。 - 转型挑战：清楚了解从学术界到工业界的转换可能需要哪些技能，比如项目管理、团队协作和商业敏感性。 成功地攻读机器学习博士需要深厚的理论基础、实践经验、良好的研究习惯以及与导师的有效合作。同时，保持对最新进展的敏锐洞察力，以及适时将学术知识转化为实际应用，都是至关重要的。