無論從學術研究還是就業來看，機器學習都算是現在一個非?；鸬姆较蛄?，許多學生在申請碩士或者博士的時候都選擇這個方向，甚至不少不是這個方向的學生也決定換導師，轉向機器學習。

但是作為一個出現時間不長的研究方向，沒有前車之鑒，不知道怎么選項目、不知道怎么開始項目等問題難住一些剛起步的博士。

在Reddit上就有剛剛開始攻讀機器學習方向的博士在線提問，怎么成功讀完機器學習博士？有許多網友熱心提供了答案，有的答案非常中肯，不僅值得提問者參考，也適合每一個準備從事機器學習的人——無論是學生還是從業者。

剛換導師轉向機器學習，該做什么項目？

一位題主是一名最近換了導師轉向機器學習的博士生，他問道：我目前已經進行了初步學習，盡管我已經想到了一些項目，但我認為它們不足以讓我獲得博士學位。大家有什么好的建議嗎？不勝感激！

不要重復造輪子，要把當下需要解決的問題作為方向

第一個回答者認為需要請教導師，知道當下這個領域的前沿研究和已經完成的研究，不要做別人已經做過的研究，只有創新才有價值。以下是回答的原文翻譯：

我認為，要獲得機

器學習博士學位，你需要一個好的項目，通常是以新算法、新定理、或者是對以前就有的算法進行修正，總之是全新的形式，而不僅僅是對數據集應用一些舊模型。

這是我的看法，也是我的這個領域的工作方式，而且據我所知，這也是它在大多數其他領域的工作方式。也就是說，如果你想做一個全新的項目，首先你必須知道這個領域什么已經被做到了。

但是你不能回顧所有的論文看看人們都做過什么，所以你必須縮小范圍，從小處入手看看你想做什么。從這個意義上說，你的導師應該指導你，因為他們知道學術界正在研究什么。然后去和他們交談，問他們手頭正在做什么，有什么事亟待解決的問題，以及他們認為哪些方向值得去探索。

我在強生都做過什么機器學習項目

第二個回答者是一名從業者，他沒有給直接的建議，而是詳細地說明了自己作為一名從業人員在工作中做的項目，試圖告訴題主機器學習在產業中可以做什么。

下面是回答原文翻譯：

我在強生公司工作了兩年，做了很多項目，學到了很多東西。其中包括使用機器學習進行預測，將預測結果與傳統的預測方法進行比較，并建立了一個模型，該模型將這些不同的參數作為輸入，從而看到改進的結果。

我還做了NLP和情緒分析，試圖確定Twitter上大家對某些產品的共識，并觀察收入是如何隨著情緒低落而下降的。我還參與了異常檢測的一個項目，在這個項目中，通過客戶的評論，我可以判斷他們購買的產品是否被篡改、假冒或其他違規操作。我用LDA，fuzzy和KNN進行了主題建模，看看這些評論是如何聚合的，或者他們是如何將特定的詞匯組合起來，這樣就可以在特定的詞匯中增加更多的權重，從而進一步關注。

可以考慮專注給一個領域解決實際問題

第三名回答者是一位專注于深度學習的博士生，他用自己的研究舉了個例子。下面是回答原文：

我的關注點是在很大程度上尚未被觸及的領域，并在此領域開發和應用深度學習模型。

我的工作本質上是將數字圖書館應用于農業領域，在農業領域，數據有時是非常不均勻的，并且很難獲得。如果歸結起來是對幾種情況進行一系列可行性研究，進行比較分析，并為該領域提供實際工具，以幫助基層生產商的決策過程，以及幫助他們的專家進行分析。

因此我認為，在一個領域內進行一系列的應用或可行性研究是一個不錯的選擇。

教授：如果自己實在沒方向，可以直接問導師

第四位回答者是一位機器學習領域的教授，他的回答很有意思：

我是一個機器學習專業的教授，通常博士生不會根據我給他們的方向來工作，他們想要在論文中提出他們自己的想法！當然，如果你不是那樣的人，告訴你的導師。他可能有很多想法，至少我有。

迷茫的機器學習新博士，該如何進行研究？

還有一個題主是一個新的機器學習博士，方向是是計算機視覺，主要是語義和實例分割，他表示自己有點迷茫，一下子提了很多問題：

你是如何在這個領域進行研究的？日常工作是什么樣子的？

你關注新的神經網絡結構和并且親自重現他們的實驗嗎？

你會只是下載其他人的模型然后在自己的數據集上跑跑嗎？

你如何看不同的知識結構、論文？能給我一個你讀過的所有論文匯總么？或者還有什么具體的建議？

一個進行實證研究的速成課程

第一位回答者直接給了一個從事實證研究的“速成課”。

1、做實事。如果你還沒有實現目標，那就從最底層做起，一步步往上爬。比如我完成我第一個“新”的想法的中長期規劃：

2、在做事情的時候，要注意細節。你可能會發現有些事情做得不夠理想（為什么使用5x5過濾器而不是convs？或者想出更好的方法，例如如果我使用卷積層，所有的權值都是由某種張量積構成的呢？如果我把損失函數調整得這里更平滑，那里更清晰呢？別猶豫，大膽嘗試你的想法。

3、在你嘗試了很多想法之后，你就開始有感覺了，對你正在學習的東西有更深的理解。想想你真正想要學習的是什么——你關心潛在的任務嗎？或者說問問自己，我可以通過做這個任務來學習神經網絡訓練的一般知識嗎？可以通過提高分數來學習優化知識嗎？

4、你的一些想法會是有效的，但絕大多數不會，關注你失敗和成功的地方，并批判性地思考它們背后的現象。為什么想法A能提高性能，而想法B卻不能？

5、一段時間后，你會有更多的想法但你沒有時間去實現，有更多的新知識單沒有時間寫在紙上。理想情況下，你的研究方向意味著：在任務X中，方法a占主導地位。但是如果我們調整方法A而應用方法B去修改任務X，這通常情況下會發生什么？或者你可能會說，“每個人都在關注Y，但是如果我關注Z呢？”，或者如果我們試著用這種方法得到問題Y的答案而這種方法以前從未嘗試過呢？”（ICLR幾年前的反思泛化論文就是一個很好的例子）。所以多寫論文，論文是一種媒介，通過它，你可以盡可能簡潔、清晰地表達你的知識，并提供支持的經驗證據。

6、清洗和重復。考慮一下這個過程，因為你總是再往前走的，考慮你的研究方向，試著調整你的能力，深入到你真正想要回答的問題。對一些人來說，這意味著少花點心思在排行榜上;對一些人來說，這意味著更多地關注于登上排行榜首位的最佳方式（兩者都是有效的?。?/p>

多讀資料找靈感，可以跑別人的模型作為對比

第二位回答者則不建議太關注做項目本身，他認為多讀文獻也很重要，利用別人的模型來作對比也無可厚非。

這個問題中很多人似乎都專注于測試、測試、測試。但是我最好的建議是閱讀（和理解）論文。先在腦海中對你的領域有一個整體的印象，并弄清楚你想著手做什么。然后閱讀越來越具體的文章，對你想要研究的內容也越來越具體。

與此同時，保持開放的心態，不要過于專注于你的特定主題：從其他地方獲得靈感，也想提高你的創造力。如果你不知道從哪里開始，向你的教授要一些參考書，也許6本左右，這樣可以幫助你掌握相關關鍵的知識和最新技術。在我看來，先上手項目再理解知識完全是無用功

題主追問：

你關注新的神經網絡結構和并且親自重現他們的實驗嗎？

答主回答：

一旦你對你的方向有了一個很好的了解，你就會發現你遺漏了什么，你也會看到哪些文章是朝著正確的方向發展的。把你的工作建立在他們所做的基礎上，然后結合你自己的想法，如果您在一個已有的模型中看到一個缺陷，看看你是否可以改進，從而提出一個不會受到缺陷影響的替代方案。如果你有一個好主意，試著正式地表達出來，和你的導師談談。

題主繼續追問：

你會只是下載其他人的模型然后在自己的數據集上跑跑嗎？

答主回答：

你總是需要一個基準來和你的工作進行對比。可以找到一些類似于你正在做的項目，在你的原始數據上嘗試一下，看看你是否可以復制論文的結果。