吴恩达的论文阅读方法和职业选择之道
吴恩达（Andrew Ng）是斯坦福大学教授，在谷歌学术上有超过13万的引用量（截止现在，这相当于10位以上的清华计算机的教授了），他曾在 CMU 读本科，MIT 读硕士，UC Berkeley 读博士；而这四所学校正是千万学子所向往的计算机四大名校。
Youtube 链接，这是 Andrew Ng 在斯坦福上的某一节课，我把他的要点总结如下：
免责声明
Andrew Ng 的阅读方法主要针对人工智能与计算机科学的论文。我作为一个计算机专业的学生，也没有能力去判断这些方法是否适合别的领域。
我只是转述 Prof. Andrew Ng 的观点，以下内容不代表我的观点。
读论文
在进入一个领域之前，可以先列一个论文的表，这些文章包括 arXiv 上的论文，也包括一些博客网站上的文章。先略读这些文章（大概读 10%），决定哪些文章值得读，哪些不值得读。
当读了 5-20 篇论文的时候，可以说对这个领域有所了解了；当读了 50-100 篇论文的时候，就差不多是这个领域的专家了。
在读一篇论文读时候，万万不可以从头开始一字一句读到尾（视频中是老师满脸的微笑），可以按照这样的方法，分多次阅读： 1. 标题 + 摘要 + 图片（很多论文的主旨都可以用一张图片来描述，这既方便理解，也利于记忆） 2. 简介（Introduction）+ 结论（Conclusion）+ 图片/表格 + 快速浏览（skim）剩下的。（前三个是会议论文审稿人决定是否接受一篇论文的关键。）相关文献（Related Works）需要快速跳读甚至不读（skim or skip），有的文章的 Related Works 对于初学者来说是最难懂的（impossible to understand），也可能是为了专门去引用审稿人的文章的 3. 读，但是跳过数学推导 4. 读但是可以略过哪些不怎么有用的部分（例如 LeNet 论文的非卷积神经网络部分） 而作为这个领域的博士或者研究人员，需要更多的深入（这个后面会提到）。
Andrew Ng 认为，在读完一篇文章后，读者需要能够回答这些问题（其中前两个是可以很快回答的）： 1. 作者想要做什么 2. 文中方法的关键是什么 3. 自己能够从中受到什么启发（What can you use yourself?） 4. 想要去继续阅读哪些参考文献 （在另外一篇由 University of Waterloo 的教授写的 How to Read a paper 介绍的三遍阅读法与之类似，不过对于 Andrew 的前两遍略读，那个教授强调了要思考作者的假设是否成立，以及，文章的先导内容自己是否掌握，如果没有，需要先去读先导内容，不然就读不懂。文章链接）
Andrew 也列出了他所使用的论文来源渠道（Sources of Papers）： 1. twitter 关注那些做研究的教授 2. ML sub reddit （这是 Reddit 论坛的一个板块） 3. NIPS / ICML / ICLR （机器学习三大顶会） 4. friends
对于深入的研究者，Andrew 认为，他们应该把论文放在一边，能够从头开始独立推导论文里的公式。
对于代码，Andrew 认为，如果只是一般的使用，从开源网站上下载下来跑一下就好了；但有时可以去从头开始重新实现。
另外 Andrew 强调了要每周规律性地读论文，例如每周六读两篇，而不是一天读 50 篇，然后再也不读了。Andrew 自己多次表示，自己会在包里放几篇论文，这样走到哪里都可以读。在课堂上，他让学生用了 7 min 读 DenseNet，并回答前两个问题；另外他表示，一篇机器学习会议论文（8-10页）大概需要一小时到一个半小时到阅读时间。（这是他的情况，当然，也有一些比较难的论文需要读很久）
职业发展与选择工作
Andrew 反复强调了要做有意义的工作。（Do Important works.）
对于技能培养，Andrew 表示，人的技能点应该是一个“T”的形状，即有着广泛的基础，但是又在一个方面非常地精通。 1. 上课、读书 可以让人具有广泛的基础 2. 做项目可以让人在某一方面变得精通 对于只有广泛基础的人，Andrew 的评价是 OK but not good，且难以找到好的工作；对于只有一个方向精通、而没有广泛的基础的人，他的评价是 bad。
公司在招人的时候，相比于理论，显然更倾向于有更强实践能力的人，但这不意味着只用学习写代码而不用知道其原理。
对于选择工作，Andrew 强调了以下几点： 1. 关注那个你需要加入的组 2. 这个组的带头人 3. 不要在乎这个公司是否有名
如果公司没有告诉你你会加入哪个组，那个显然是因为如果告诉你了，这份工作就没有什么吸引力，这一般都是坑。（例如轮岗 Rotation。）
他认为，选择工作的时候，要选择： 1. 有更多学习机会的工作（Learn the most） 2. 做有意义的工作（Do important work）
最后，他认为 AI 未来的一个方向是和传统行业结合。（所以传统行业的公司里也可能有很强的 AI 团队。）
