在某個領域比較深入研究後，有沒有遇到特別需要其它領域知識的情況？如果有，你是怎麼解決的？

01-08

舉我自己的例子吧。我自己是學生物的，課題做了一段時間發現生物信息學特別重要，所以電腦科學和一些簡單的編程成了我的前進的麻煩。還有就是統計學，特別對於大量數據的統計分析也非常重要。你有沒有類似的經歷，有的話有什麼好的方法解決？

提問者的問題是做科研，前面很多答案雖然是普遍性的問題處理方案，但可能並不是他所需要的，生物方面的科研我很早就有接觸，生物信息與統計也均自學過，回答應該會比較對口。

1. 大體來說，生物學科研與文科工科等不同在於需要大量閱讀英文文獻，你想做的project，別人大多已經做過相似的或相通的，所以從對方發表的論文中很容易知道自己需要學習哪些工具（用了哪些演算法、哪些軟體、哪些統計學概念），再一一尋找解決（聯繫專業人士或自己搜索相關資料）。

2. 細節上看，生物信息學其實是非常好學的東西，主要在於各種軟體的使用，官方的指南和幫助文件是主要資源，編程的Perl和Python相對晦澀的編譯語言應該不算難，例如Perl小駱駝書的內容可以涵蓋生物信息大部分需要用到的編程知識；統計學對於一般生物醫學研究要求也不高，隨便看一本SPSS初級教程就足夠，也可以買一本SPSS高級教程作為工具書（選擇SAS還是SPSS看個人偏好），當然如果想在生信方面做得專業些，R語言就必須會了。

最後總結就是，生物科研用到的生物信息學和統計學知識，其實並不是很核心的東西，知其然而不知其所以然是允許的，所以你要做的最重要的就是知道要用哪些工具，大多數軟體官方指導加上諮詢他人就很容易讓你知道怎麼用，而這些工具的原理，沒有必要花時間知道。總之一句話「文獻是王道」，系統的學習所謂的生物信息學是不必要的（統計學系統的學學還是有好處，但是要重應用輕原理）。

有啊，記得數學建模國賽時，題目是關於我國養老金的，在惡補了養老金等金融知識後，框架搭好，卻發現我們需要用到「神經網路模型」，於是在6個小時內狂補計算機演算法，雖然半桶子，但在之後的很長時間，發現我專業也用到了神經網路，最終在此深入研究下去。

所以，遇到交叉領域需要不熟悉的知識時，我更傾向於從問題出發，惡補與問題相關的知識，然後再擴展下去，就像雙層布，上層一個洞，滴一滴墨水，它會暈染下去。

而且平時如果能儲備一定的基礎知識，當需要用到某領域時，首先請專業對口的朋友幫忙，在別人的回答中學習，既不耽誤課題，又能增長知識。

臨時接受過做語音識別的project，需要臨時了解很多clustering演算法和隱式馬爾科夫鏈模型的相關知識。當時的解決方法：讀書，讀講義，讀paper，因為只是應付項目的要求，忽略了很多無關的內容，也不在意證明，專註於實現。當然，這裡面面臨一個投入的選擇，可以選擇以此為契機，紮實地學習一下；或者認定這個領域對於自己沒有太多長遠價值的話短期功利地刷一下就可以了。說道問題本身，我覺得研究中這種情況相當常見，解決方法如@vieplivee所說，無非是三條路。

我是搞算生物學的，簡單的說，統計的基本知識是一定要有的，除了事後的數據整理分析，實驗設計也很重要。基本的電腦是要會的，不想編程的話，要會基本的一些統計和繪圖軟體。至少 excel 總會吧。

好處當然是，簡單的事能自己搞定，複雜的事能和懂的人交流。

先問老師，再問同學，實在不行找知乎搭訕；

先問百度，在看維基，到了最後看中英論文。

看時間咯。時間夠，就從頭學起，時間不夠，就看點假把式。。當年想補點計算機知識，正規大學教育去過。。什麼《零基礎學電子電路》也買過。。。都對我有所幫助，把時間作為一種成本，然後權衡成本與收益

轉自另一個回答：

先看最科普的百度谷歌，然後找教科書，接著上中國知網搜博士論文或是碩士論文（通常這種論文都會對某比較細的專業問題有比較基礎且全面的介紹，可以填補科普與專業的斷檔），再用google學術搜英語文獻（這通常都是用來了解該領域最新進展的，等閑搞不明白）

這個沒辦法的只能硬氣頭皮學。我老人家在國企的時候要開發gis系統，那就是直接買了幾本測繪專業的書啃下來，那個時候還真年輕。

計算機和細胞生物雙學位路過

Google + Wiki + Springer

有啊，我是學統計的，但是對於最優化方面的演算法就是很欠缺。看paper的時候，很多這方面的演算法的東西，完全給整崩潰了。解決方法就是慢慢看一點這方面的資料吧，還有就是找這方面專業的同學打聽打聽。當然這個問題現在還在困擾我，沒解決。