研一（本科生）刚入学，如何快速的找到自己的科研方向？

本文主要是介绍研一（本科生）刚入学，如何快速的找到自己的科研方向？，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

欢迎大家关注微信公众号：baihuaML，白话机器学习。

码字不易，如转载请私信我！！

最后，大家有其他问题，可以加我微信：KKuan996，由于是微信小号，可能回复不及时，谅解~

在2022年7月份，创业的公司算是关掉了。找了2个月的工作，重新加入了互联网大厂，卷自动驾驶这个赛道，一边做着前沿探索，一边做着业务落地，忙的不亦乐乎。相比4年以来的创业工作，压力小了很多。由于再次和学术圈挂上了钩（卷论文了），也带了几个本科或者研究生的小朋友，希望总结一些快速帮助大家找到方向的建议，希望后来的小伙伴也有所收获。

创业几年，其实对我影响还是比较大的【后面单独分享哈】，首先培养学生这件事情，我希望能够流程化，标准化，这样也算是提高我自己ROI的一种方式。也欢迎新的朋友加入到我的知识星球【白话机器学习】（前20人免费哦，如果需要收费的话，可以加我微信：KKuan996，我再退给大家），在AI主导的这个时代，一起起飞。

在几年前，也写过一些关于入门机器学习/深度学习的一些建议，有些内容已经过时了，今天也算是进一步更新一下。

之前的文章链接：

做算法，如何进行文献整理和文献阅读？ - 知乎

写给那些准备入坑机器学习、计算机视觉、深度学习等相关领域的人，包括:读研、转行等不同人群，同行勿喷 - 知乎

好了，闲言少叙，进入正文。

首先，其实我想讲的是，并不是所有的人都适合做学术。没错，我其实是劝退党。做学术，我觉得比较重要的一个特质，就是要敢想，也就是大胆想象，小心求证。当前，除此之外，就是长时间的、持续的积累，对相关领域和不相关领域的关注，持续跟进。你要知道，如果你out 1-2年，可能整个学术的发展你可能就错过了一代。所以，我们日常的工作，就是关注Arxiv、Paper with code，以及一些突然火起来的技术，比如：3DGS，Mamba等。顶会的文章一出来，肯定是第一时间跟进的。以上讲的是高阶版，后面在详细讨论，今天先入个门再说。

我觉得第一重要的并不是基础的问题，是学习的态度。如果想要做机器学习这个方向，个人觉得前期学习的态度是非常重要的，尤其在入门的阶段，一定是痛苦的，你会发现以前学过的高数忘了，概率统计忘了，线性代数以前学的都是啥？？？需要重新恶补很多的数学知识，机器学习的知识，关键是，好像有些还看不懂，听不明白。我想告诉大家的是，这个都是正常的，想当初自己刚学计算机的时候，还问过什么是“网游”这种愚蠢的问题，学习机器学习的时候，一度不能理解两个分布的相似性是咋计算的，PR曲线是什么鬼东西？？英语水平也是不忍直视，这不还是咬牙坚持过来了。雨过就是天晴。当然，这个期间是无数次厚颜无耻的找人请教，一次次的通宵达旦看论文，写代码，读代码，看别人写的博客，看博士论文【中文内容好对齐英文的含义】。注意，我这里讲投入的时间和精力，并不是无效的投入，我们在看问题，思考问题的时候，一定要想办法掌握底层的道理，物理的含义，正所谓一通百通，掌握一篇文章，一个方法不是重点，我们要想办法跳出来，从更高的维度来看，这个方向的发展本质是什么样的，这个技术是忽悠人的还是真的靠谱的，是否在其他相关的领域也能用上，它解决到底是什么科学问题等等。哇，这时候肯定有同学在想，老师你怎么在讲哲学？？？怎么落地啊？老实说，一言两语真的讲不清楚，关注我【微信：KKuan996】，（一波硬广），后续慢慢更新喽～

还有一个很关键的点，不懂就要问，找懂得人问，找老师问，也可以找我问，不耻下问。学到了就是你自己的，怎么都不亏。

我们再来讲讲基础。工欲善其事，必先利其器。由于我自己是从13年开始做算法，机器学习，经历了传统的特征工程，优化理论以及后来的深度学习整个发展历程。现在传统的特征工程用到的内容已经不多了，不过优化相关的内容还是少不了的，毕竟发一篇文章都得好好设计下loss函数。关于基础的问题，我个人认为核心还是功夫用在平时。当然，前期的一些铺垫还是有的。这里我推荐几门课程，大家可以尽快抽时间看掉，关键是找感觉，不是一步步磨磨唧唧的去理解里面的公式，因为有些公式你就算推导出来，可能一辈子也用不上呢。推荐的视频，麻烦大家至少1.5倍速看，20个小时的视频，不是2天就看完的节奏么？？如果你磨磨唧唧的看了一周，就要好好思考下，是不是摸鱼了（PUA一波）。开玩笑的，我的想法是先把视频看了，简单的内容先理解了，复杂的后面有时间和精力，觉得有必要，在重新看。我自己在看SLAM14讲，GAME101这类课程的时候，基本上就是快速看完，一定会有一些不清楚的公式，不过并不影响后面发文章，因为很多的理论基础，关键是理解它的物理含义，写文章的时候照搬就好了（其实，后面看文章的时候，又趁着下班路上1倍速看了2遍，但这已经是几个月以后的事情了），好了，干货来了：

首先你需要掌握python，这个B站上找个视频学习学习就好了。https://www.bilibili.com/video/BV1wD4y1o7AS/?spm_id_from=333.337.search-card.all.click（我随便找的，因为这个真的太基础了，随便看看，后面多写点代码就好了。别指望看看课程就一下子成神了，要是这么容易，神就不值钱了。想想自己本科的时候，做算法数据结构的作业，熬夜的样子，衰老应该就是从那会儿开始的。）
入门课程：（可以先学习 4 ）
1. 首先是线性代数，看麻省理工的，你会发现和我们本科学得线性代数好像不太一样，这个讲解的更加容易理解！！不再是停在做计算题的层次，是真的有用！！麻省理工公开课：线性代数_全35集_网易公开课
2. 后来，我又找到一门很好的课程，最近在做CG相关的内容，又重新温习了下微积分：https://www.bilibili.com/video/BV1rY4y1P7er/?spm_id_from=333.337.search-card.all.click&vd_source=d711c9ccb39a288748c06045f413adbe
3. 斯坦福机器学习：斯坦福大学公开课：机器学习课程，这个就不强调了，NG的课程，学一学不吃亏。下面两个内容后面有时间和兴趣，可以一并学了，不同的大佬在解释相同概念的时候，会有不同的理解，也可以拓展你的思路，这个能够帮助你去 “大胆想象！！！”
  1. 周志华老师的西瓜书，这个对于机器学习整体的介绍还是比较基础的！！
  2. 另外，有精力可以看下，张志华老师的统计机器学习，机器学习导论：http://ocw.sjtu.edu.cn/G2S/OCW/cn/TeacherDetail.htm?id=471，这个课程涉及到更加深入的统计机器学习理论，看完以后你会对概率论有更深入的了解！！
4. 再来学一些深度学习：https://www.bilibili.com/video/BV18h411r7Z7/?spm_id_from=333.337.search-card.all.click&vd_source=d711c9ccb39a288748c06045f413adbe （学生推荐的，我看了看标题，应该沐神的课，靠谱的）

咦，好像内容也不是很多嘛，对不对？？？

我感觉2周时间学一下上面这点内容不过分吧？？？拿出你们期末考试，一周复习（重头学习）的自驱力来，相信你们可以的。毕竟早点刷完基础的东西，就早点开始造火箭了！！哈哈

我接下来假设你们已经学完了基础的内容了，可以一起参与我们接下来的造火箭，造福人类的伟大事业中！

终于可以学点不一样的东西了！

唉唉，醒醒同学，想多了，总不能我干了10年的东西，你们2周就想追上？？？我是不是可以失业下岗了？？好怕～～～

言归正传，看完上面的内容，在我眼里，大概是可以和你一起简单的交流了，并且可以做一些后续的学术上的工作安排了。

接下来就讲讲如何快速的找到一个热门的，好发文章的方向？

其实对于新人来讲，靠自己去找一个这样的研究方向，太难了。所谓的快速，是一个很虚的字眼，多快是快呢？从以往的经验来看，无非有几种选择：

直接听老板（导师）的，这样的问题可能是Topic可能不是最新的，也可能不是自己喜欢的。当然，这样也是最快进入research过程的。前提是老板不是天马行空的乱搞，靠不靠谱的话，问问师兄师姐吧，毕竟他们可能更好的帮你去判断一下。当然，也不要担心什么，大不了做几个月发现不合适，在换方向。日子还长着呢，像我这么多年，不可能只搞一个方向，什么reid，ocr，text detection，image retrieval，2D/3D detection，multi-modal detection，pretrain，3DGS等等。
Follw实验室之前的工作，继续往下做。这个是一种比较合适的选择，因为实验室以往的一些积累的资源和经验是可以用上的，遇到一些问题，找找师兄师姐，他们还是可以忽悠几句的。而且，一些benchmark，数据等等都可以用上，可以节省不少的时间。
热点方向，这里大家要清楚一个点，就是一个大的方向，往往又会细分为非常多的小的方向。我们往往会聚焦在某个具体的小方向上，针对具体的问题来进行research。具体要怎么执行呢？首先就是论文扫读，可以看下当年顶会放出来的一些相关的工作，整理下大概有多少细分的方向。对于这些细分的方向，去掉一些纯粹做理论研究的（如果数学好，有追求，不怕入坑，可以考虑），去掉一些消耗大量资源（A100随便用的，忽略这一条）的，重点看下实验部分，各大benchmark是不是已经刷到头了。在过滤掉这些之后，选择感兴趣的，或者1-2年内有机会落地的方向，这样后面就业比较好。最近比较推荐：3DGS、数字人相关的方向，或者大模型+相关领域，没条件的可以用大模型去生成一些长尾数据，有条件的搞搞大模型。AIGC的话，可以看看3D和长视频方向，就是费电费卡。
用发展的眼光看待你在做的方向。带学生的时候，经常会讲一个词，灵性，就是我们在做东西的时候，要动态的去看待现在做的事情，如果有必要，该调整就果断调整。送大家一句话：“做正确的事情，而不是容易的事情”。

当你确定了一个想做的方向之后，接下来要如何做呢？

相关方向扫读论文，务必要搞清楚这个细分的方向目前有哪些方案，哪些解题思路，技术发展的脉络是什么，目前仍然面临的痛点问题，和它相关的方向有哪些，是否可以相互借鉴（举个例子，图像自监督工作非常多，是否可以在点云这边做一个类似的工作呢）？具体文献怎么查：https://zhuanlan.zhihu.com/p/69987858
- 可以列一张表格，把各个工作梳理清楚
找到codebase，也就是baseline的方法，一般会选择最新的一些相关工作，并且容易扩展，然后复现实验结果
确定优化方案，这个是比较难的一个问题，需要伴随着在阅读文章的时候，思考这些方法本身面临的一些挑战和问题，并且需要扩展阅读一些相关的领域，看看同样的问题在其他领域上是不是有一些可以借鉴的思路。或者就是在这个方向上，做一些新的工作，比如：mamba很火，是不是可以做一个sparse-mamba的工作，用在点云3D检测问题上？3DGS很火，是不是可以合成一些多模态新视角的数据，或者做一些多模态数据的编辑？
可以关注一些report，比如：在B站上的VALSE，https://space.bilibili.com/562085182等，还有一些关于paper的解读，可以看看同样的工作别人是怎么理解的。看文章要思考底层的物理含义，才能一通百通。

讲到这里，又想提一下之前讲的，大胆想象，小心求证。所谓大胆想象，不是天马星空的乱想，而是基于已有的一些工作，有的放矢的想，大胆去关联。然后，尽快去coding，验证你的idea。

最后在讲个事情，不要觉得自己的第一个工作不好，idea不够完美，迟迟不动手。其实，完事开头难，我们需要先做出来，然后再去优化它，而不是在纠结中，空耗时间。想想，我自己第一个工作，论文写出来又大改了很多遍，在邻近毕业的时候，文章才投出去，中了一个2区SCI的期刊。然而，也正是第一个工作完成之后，带给了我很多信心和满足感。

大概先讲这么多。后续有问题，在更新~

最后，希望大家够能够找到一个合格的导师，找到一个自己喜欢并愿意持续为止投入的研究方向，多多搞paper，早日加入到造火箭的伟大事业中！

后续计划：