1樓：東臨碣石
在掌握基礎理論的基礎上，更難的是進行演算法創新。
在這方面，可以參考殘差收縮網路。
其【注意力機制+軟閾值化】的模式，有助於減輕雜訊對模型效果的影響。
可以參考：
如何寫人工智慧方面的sci？
2樓：風騷依舊唐馬儒
當你迷茫時請專攻一項，當你這一項能力很突出之後，你會發現工作或以後的路特別清晰。
然後再考慮擴大自己的專業領域。
這種方式我覺得還是比較好的。
3樓：[已重置]
找個生物領域的問題開始做吧。最近不是有DeepMind做Grid Cell麼，完全可以照此辦理，哪怕把Deep Mind的工作重複一遍，我覺得也有意義啊。
4樓：Walle
感覺題主已經把基礎打的非常紮實了，我的建議是不要學的太雜，學的越多反倒越迷茫，不要放棄ML演算法方向的工作，找個靠譜的實習，學習如何將演算法與業務需求相結合可能是更加需要的。
加油、祝好！
5樓：胖胖的飛象
作為和你情況非常相似的同學，我建議你先找乙個你自己最感興趣的方向去研究，學術上努力搞出點東西來，同時可以打打比賽，積累實戰經驗，機器學習包括的內容太多了，有些東西沒必要學那麼多那麼寬泛，學機器學習特別容易掉進的乙個坑是，我學了非常多的演算法，感覺特別有成就感，但是就是沒有自己獨到的見解，建議拓展一下深度；這幾年機器學習（尤其是深度學習）的進展比較大，深度學習目前又可以擴充套件成乙個非常大的研究面，所以盡量拓展深度，保持一定的廣度。
6樓：xxxxxxxx
座標南方某985研一……我的情況簡直和答主一模一樣……稍微好一點的是我實驗室做深度學習但是應用場景有點偏門理論也是看了不少現在也是想做比賽特別是推薦系統和自然語言處理的比賽但是也是沒人組隊實踐能力也是初始階段自己單幹太累了……答主不嫌棄的話要不加個qq組個隊打比賽？
7樓：
樓主可以看看我的問題自行檢測一下對理論是否了解：
舉樓主熟悉的lda來說，以下問題是乙個正常做機器學習的人都應該掌握的問題（並不是專門針對做lda的人，因為lda是乙個比較基礎的模型）
建模和解模型得分開
首先建模方面，為啥要用multinomial，multinomial 和categorical distribution有啥區別，為啥lda有些材料裡面說是用的categorial distribution。
dirichlet的性質是什麼，如何設定超引數來得到sparse的解，可以換成連續的prior麼？
lda模型進行了哪些假設，我們可以弱化這些假設得到乙個更好的模型麼（可先不管如何解模型）。
然後是如何解模型，也就是learning parameters
樓主說熟悉吉布斯取樣，我就先不提variational inference
樓主說看過馬爾科夫平穩分布，那請問什麼樣的馬爾可夫鏈有唯一穩定分布，要具備哪些性質？
detail balance是什麼性質的什麼條件（充分不必要？充要？）為什麼是這樣？
為什麼gibbs sampling是detail balance？這估計比較簡單。
樓主確定自己推的那個是gibbs sampling麼？而不是collapse gibbs sampling？這倆有啥區別，哪種收斂更快，為什麼？
如何用gibbs sampling去解我上面所說的一些非共軛lda模型呢？
如何用gibbs sampling去取樣超引數？就是dirchlet裡面的alpha beta？
樓主說自己對深度學習的比較了解，是否自己用numpy寫過cnn rnn？
樓主想做科研，以上這些都是基礎知識，我周圍做機器學習的研究生一年級（研究生一年級末期）的人這些都掌握的很好，而且他們本科沒有接觸過機器學習，他們也都自己實現過上述的內容。
8樓：吳海波
如果一開始不知道該幹嘛，去打比賽是不錯的選擇。
比如kaggle，先把101的系列搞了，然後找一兩個感興趣的問題深入下。
國內的也有一些，比如天池。
總子，先開始動手
9樓：孫嘉龍
ML只是工具不是目的，雖然很多人已經忘記了。
你把ML替換成前兩年火的Spark就能更清楚了。現在Spark用處很多，招的很多，有這個技能的人很多，但很少有人會因為是否有spark這個技能點就決定了自己在演算法策略上的方向的。
手裡有了錘子之後需要開始應用，應用就需要在工業界應用。
所以建議是無論如何先找到（或者試錯後找到）乙個靠譜的可以應用ML的實習機會，看下真實的應用場景。
或者就是別把ML當做主要技能點，嘗試工程架構、大資料探勘之類的方向。
PS：關於如何找實習：你的可實習時間【每】多3個月，你在所有求職實習生中的順位就能提前20%
如何系統學習機器學習？
老王 機器學習的方法非常多，建議先學人工神經網路，包括 1 多層感知機 多層感知機包括輸入層 隱含層以及輸出層等部分。多層感知機 2 卷積神經網路 卷積神經網路是多層感知機的改進，其卷積層是核心貢獻。卷積神經網路 3 殘差收縮網路 針對強噪 高冗餘資料，殘差收縮網路能夠通過自適應軟閾值化，減輕雜訊的...
訊號處理的理論對學習機器學習 人工智慧有幫助嗎？
孤睿絡巔 我感覺挺大的，我那個時候基本上就用樹莓派，他們家 現貨樹莓派3代B 開發板 Raspberry Pi 3 B B python程式設計套樹莓派3代B 主機板 的，做硬體學習人工智慧。 穩定噠天才 當然是有幫助的啊！尤其機器學習。機器學習 Machine Learning,ML 是一門多領域...
學習機器學習應該看哪些書籍？
雷明 自薦乙個，我寫的 機器學習的數學 人民郵電出版社，2021.01 不掌握基本的數學知識，很難真正學懂機器學習 包括深度學習，強化學習 至少需要先補充下面這些數學知識 一元函式微積分 線性代數與矩陣論 注意，還多了矩陣論 多元函式微積分 最優化方法 概率論資訊理論 隨機過程 圖論我寫的這本書用最...