關於學習的思考

從師兄那學習到很多做學問，學習上的寶貴建議，表示十分感激。

接下來整理一下自己對學習上的一些認識，以及疑惑。

我覺得深度學習領域比較單純，不會出現一些太偏離研究主線的課題。研究者不斷地發現不足，思考改進，得到更優的結果，不斷迭代這個過程。因此這個領域的知識應當是層層累積的。從歷史，時間的角度來說，應當對這個領域的脈絡有著很清晰的認識。然而這正是我所缺失的，對深度學習領域並沒有一個整體的認識，導致學習沒有明確的方向。因此我有一個很好的想法。

順著時間進度，從2012年這個結點開始，重新認識一下深度學習這個學科。

單純為了學習而學習很難得到比較完整的記憶，更應該以問題為主，重點去思考問題解決辦法，進而研究具體的解決方法。這裡還有從師兄那得到的啟發：發表一篇論文大致要經過1至2月的prototyping，主要用於認識問題，研究問題，隨後需要3至6個月contribution時間，主要花精力在相關領域知識的學習，最後是1至2個月的submit時間，用於完成實驗，論文的寫作。

關於學習順序上，還是師兄的建議：例如SVM，首先學會如何使用，主要的應用領域是什麼。在大量使用了之後，有編程實現的經歷之後，進而深入了解演算法背後實現的原理，從這裡大致能夠明白SVM為什麼work，有哪些局限，並根據這個給接下來的效果優化，調參提供指導。最後反過來遇到問題時應考慮是否適合使用SVM，如何使用，如何解決問題。

看論文，學習一個新的網路，我感覺這種學習應該是要有歷史情節的，當看完這個網路之後去了解一下，提出背景，作者在相關方面的工作（積累）。學習一個新網路我覺得在了解完作者的工作，了解網路結構，數據集準備等一些基本信息之後，精力重點應當要關注在為什麼，這個網路解決了一個什麼問題，有什麼優勢，這個網路有哪些比較新穎的trick，有哪些調參，或者是準備數據集時的過人之處。最重要的我覺得應當思考為什麼這種改動（在原有工作基礎上創新）能起到好的效果，背後有哪些獨特的地方。

面對一個實際問題，該如何去分析，如何正確使用數據，準備數據，尋找合適的解決方法，以及相關工作調研。

學會數據驅動的方式推進研究，定義數據-> 數據分析->數據應用->數據反饋

問題：1. 如何建立一個整體的認識

問題：2. 如何