機器學習該怎麼找到一個能做的問題？

有道理2018-10-11 19:16:01

看你像解決大多的問題？ 學習，科研，還是專案落地。 已我做的強化學習為例。

學習過程： 找一本讀懂的經典教科書， 實現上面的演算法，實現上面的例子。

例子，實現《reinforcement learning： an introduction》 github中就有很多書上的程式碼實現。

比如Shangtong ［2］ 的 ShangtongZhang/reinforcement-learning-an-introduction

莫煩Python ［1］ 是一個好例子， 教學相長，有利自己學習也分享別人。

讀博，做科研。 找最近最火的演算法， 實現演算法演算法做基線， 找到演算法侷限性，改進它。 發表到頂會或者頂會的Workshop和同行交流。 不要發差的會議，沒有意義，沒有良性反饋，還不如貼在知乎上。

例子。 T Schaul ［3］發現 強化學習和監督學習一樣，樣本標註不均衡問題。 原來抽樣是均勻分佈， 作者改為帶權重的優先抽樣（一些樣本更大機率被選到），大大提高了DQN效率。 這是一篇典型“有貢獻有引用”的好論文。

如果和我一樣， 還沒有那麼好的科研直覺和能力。 科研先學

“調雞尾酒”， 把經典演算法思想互相借鑑，嫁接，魔改。 找一下做科研的感覺， 無害灌水。

創業落地。 多看看別人別項目，怎麼從論文到演算法再到產品的。 除了學習人家的應用場景，還要關注落地的成本，風險，投資方意見。 和銷售做朋友， 銷售比研究員瞭解客戶需求。

參考：

莫煩Python

［1］ RL introduction python實現：

［2］ ShangtongZhang/reinforcement-learning-an-introduction

［3］ Schaul T， Quan J， Antonoglou I， et al。 Prioritized experience replay［J］。 arXiv preprint arXiv：1511。05952， 2015。

知乎使用者2018-10-12 18:27:52

研究學習演算法還是挺難的，搞搞應用還可以。結合自己的領域進行應用吧。

R2ai幫助創造AI的AI2018-10-15 09:55:09

非常簡單。

首先，找到一個感興趣的領域/問題。然後搜尋資料來源。推薦一個神器 google dataset search。有了問題，有了資料，開始動手吧！

參考：Google Dataset Search

天有可測風雲2018-11-04 08:07:48

與我合作，手裡有資料集，就看你的水平如何了。

知乎使用者2018-11-06 15:28:46

有導師問導師，沒有的話也不要單打獨鬥，爭取加入一個團隊一起做