斯坦福的N堂课｜吴恩达“手把手”教你读AI论文和规划人生
在斯坦福和硅谷一年，走访了很多科技公司，上了很多创业先锋和技术大牛的课，也知道了坊间不少八卦，细嚼慢咽、久久回味，后与你们分享之。
01
引子
吴恩达在Deep Learning课堂上
离Deep learning开课还有半小时，我窝在教室门口沙发看Coursera上吴恩达（Andrew Ng）的讲课视频，数不尽的函数让人如陷云山雾罩，不经意间一抬头看见本人，真真吓了一跳，还以为他直接从屏幕里跳了出来。
Andrew穿着蓝色衬衫，手拎一只黑色公文包，匆匆向教室走去。这门课他一共只出现三次，每次都是同样的浅蓝色衬衫。后来他关于推荐算法一段视频讲到总被推送蓝色系的衬衫广告，因为他只穿这个颜色。
似乎，硅谷技术大牛们都有同样嗜好，如乔帮主和小扎，大力减少挑选服装方面所消耗的不必要精力，把剩余的时间用于……嗯……思考人生。
Andrew将MAC摆上讲台，用户头像是三枚蓝色鸟蛋。
“Shall we start? ”他清清嗓子，说了三遍，礼貌而谦逊，教室依旧一片人声鼎沸。
终于，扩音器发挥了作用，大家陆续安静下来。
“您能大点声吗？”有学生在后排大喊。
“啊，不好意思，test, test,test，”他有些抱歉地笑了。
在扩音器的帮助下，他的声音才能勉强传到教室最后一排。他总是带着几张手写讲义，喜欢用笔在白板上细细演算推导，然而字迹浅显而模糊，总让人感到难以辨认。
他很少谈具体的技术细节，而是以一种抽象、概括、精炼的方式试图帮大家建构出AI的路线图。
斯坦福大学实行Quarter制，一年分为春夏秋冬四个Quarter，足以让学生选足够多自己喜欢的课。
秋季学期的Machine Learning是吴恩达开的“明星课程”，几百人大教室连地上也坐满了人，开课时齐刷刷站一排助教的阵势令人瞠目。不少外校学生不远千里赶来旁听，只为一睹AI大牛的风采。而我上的这门冬季学期的Deep Learning算是Machine Learning的进阶课程，课时不多，旨在去粗取精。
02
打Uber是读论文的好时候
当Andrew在讲台上打开自己的黑色书包费力翻找时，无数好奇而八卦的目光如追光灯般聚焦一处。
最终他一无所获地摊手：“其实我要找一个文件夹，里面是打印好的最新论文，今天恰好忘了。”
平时事务繁忙，他会随身携带“论文夹”，利用碎片化的时间读取，比如在Uber或Lyft上的时候，每周总要读那么几篇，不然总感觉少了点什么。
“我知道很多人都会有‘周六早上困扰’，你在周六早上可能想睡个懒觉或者看个剧，如果能克服一下，利用这个时间读一篇论文，一年积累下来也是很大的收获了。”
一般通过哪些途径获得论文？他举了几个栗子：比如Twitter别人转发的、 ML Edit，还有NPS/ICML/ICLR等一些学术会议论文。靠自己在医疗健康、气候变化等领域的朋友推荐，也会带来很多更新鲜的论文。
如果读论文时遇到了什么数学问题，他都会自己推演一遍。如果论文提到了一些开源的代码，他也会自己亲自去跑一跑。
他建议在读论文时进行“并行处理”，不要一下读完一篇再读另一篇，要同时开始看多篇，如以下这张朴素的草图所示，假设你开始同时读8篇论文：
进度 0 100%
1--------
2————X不好，放弃
3————————————有价值的
4-------
5——————
6----------
7------
8————————————值得深度读的
对8篇做了概览后，你大概就知道需要深入研究哪几篇，而把剩下的“打入冷宫”了。
随后，Andrew分享了他的“6分钟读论文”独门绝技。
首先，带着这4个问题去读：
1.作者试图解决什么问题？（what did authors try to accomplish?）
2.这篇论文的关键元素是什么？（what are key elements of the paper?）
3.论文中有什内容可以“为你所用”？（what can you use yourself?）
4.有哪些参考文献你想继续研究？（what reference do you want to clear down?）
读时，可采用“渐进式”读论文大法：
1.先读标题/摘要/主要图表（title/abstracts/figures）
2.再读引言/结论/更多图表/跳过相关研究部分（intro/conclusions/more figures/skim the rest/skip related work）
3.概览整篇文章（whole paper skim）
4.通读整篇论文（read the whole paper）
03
不要只选择“看上去很美”的公司
Andrew以回答同学邮件咨询职业选择为乐。
常有同学为某个“闪闪发亮”的名字投奔了某科技巨头，结果发现只是做些修修补补的小工作，十分没有成就感；转而工作两年后辞职去了一个“独角兽”，和一群很棒的技术大牛一起头脑风暴，这才感觉收获颇丰。
所以， Andrew给出的职业建议是，不要过于看重公司的“牌子”，有时一个由20-30名技术精英组成的小公司反而更有前景。
有些小公司可能没有闪闪发亮的招牌，但却有一个超牛的机器学习团队，那么一定要选择加入这支团队，会收获更多。有些非传统的技术类公司，如零售、医疗行业有时也会有很厉害的技术团队值得加入。
“选择一份工作，一定要仔细考虑你即将一起工作的团队是怎么样的，如果面试时没能见到未来将要共事的团队成员，就要慎重考虑。”
针对在读学生，Andrew支招了如何让校园和职场无缝对接。
“首先你要确保自己掌握了需要的技能，比如编程、构建机器学习模型等，”他说，“然后思考如何利用这些技能建立一个有意义的系统/项目，这将是你的实践经验。”
Andrew建议可以从课程作业开始，选择感兴趣的领域深入下去，比如做一个NLP或者VR的大作业项目，花很多时间不断打磨，比同时选很多课做很多零碎的小项目要好。
“最重要的是你要不断保证自己能学到新知识，这可以通过课程和阅读获取。”
确实Andrew也是这样“以身作则”，他说自己现在选择公司会只考虑两个方面：“一是能不能让我学到新东西，而是能不能对社会产生影响。”-END-