当前位置：首页 > article >正文

科研人必看入门攻略（收藏版）

article 2024/9/23 5:32:49

来源：投稿作者：小灰灰

编辑：学姐

本文主要以如何做科研，日常内功修炼，常见科研误区，整理日常‘好论文’四个部分做以介绍，方便刚入门的科研者进行很好的规划。

1.如何做科研

1.1 选方向

当我们刚步入科研的第一步时，首选就要选择课题和方向，那么面对实验室很多项目和课题，一般选择方向需要一定的积累，而且很多题目风险性很高，所以要做的就有两个点，一个是多跟老师讨论，还有一个笨方法就是关注一下目前最顶级的研究机构，关注目前的主流模型，他们在做什么，那么我们就可以选择这个方向，并且实时监控他们的科研进展。

那么方向有了，那么就可以关注一些顶级会议的方向：

IR（信息检索）：人工智能领域智能信息检索方向最权威的顶级国际会议（SIGUIR），国际计算机学会信息与知识管理大会（CIKM）
NLP（自然语言处理）：ACL,NAACL,EMNLP,IJCNLP
ML&AI：NeurIPS
DM（数据挖掘）：知识发现与数据挖掘顶级会议（SIGKDD）
CV（计算机视觉）：ICCV、CVPR、 AAAI
……

1.2 查找文献

知道了顶级会议的方向，那么就是如何找参考文献了，选择好方向之后，想要更快的知道本领域的研究内容：

可以先从中文综述入手找到合适的英文论文
对知识点的理解，可以借助知乎，csdn等平台巩固知识点
文献的下载可以使用google scholar，百度学术去查找，一般最新的论文一般百度学术检索不到
从论文找论文
从被引论文找相关论文

一般推荐几个网站：

https://paperswithcode.com/ ---查看论文是否有代码的网站

https://www.aminer.cn/ ---由清华大学计算机科学与技术系建立,收录了sci，ccf优秀论文

https://www.semanticscholar.org/ ---语义学者(Semantic Scholar)是由微软联合创始人 Paul Allen 做的免费学术搜索引擎。

当然也可以从本校的图书馆进去查找相关文献。

1.3 读文献

1.那么我们查找了好多文献，下载了很多，读不懂怎么办呢，首先可以和师兄，老师整理一下，本领域的单词，同时也可以看下b站上，有关读论文的一些视频，比如李沐的视频：https://www.bilibili.com/video/BV1H44y1t75x/?spm_id_from=333.337.search-card.all.click

2.平时不断积累本领域的一些方法，模型

3.从论文中找到本论文中是根据哪篇论文中的研究点，解决了哪些问题。

1.4 建立模型

那么论文大概读懂了，怎么落实行动，依靠代码实现出来呢？就要建立模型。初学者建议从工具使用入手熟悉模型的输入输出，逐渐了解模型背后的原理，对于特定的问题进行整理代码。

那么拿到一篇论文，我们要做好复现，对于初学者就是找到有代码的论文，理清从数据到模型一系列的输入输出数据流，选择自己的工具（pytorch，tensorflow）搭建简单的模型框架，这个过程一定要亲自动手，进行搭积木，从而了解模型背后的数学原理，尤其对一些常用的模型了解背后的数学原理，做到魔改，尤其是本方向的特定任务，要非常熟悉，从而进行创新。

1.5 设计实验

一般读论文开始要格外关注实验的设计，评测指标是否选择合理，在跑实验的时候，发现效果不好，要思考，为什么不好，是什么原因导致这种效果，你选择的模型的假设是否和数据有什么冲突，特别是面对效果很好的时候要稍加注意。

不要放弃，如果做不下去，说不定可以找到一些衍生的点。一定要总结，发现问题。

1.6 如何写论文

那么实验有了，要整理实验，准备写论文，写好论文

首先要逻辑过关，保证基本的语法，找出研究领域内的高频词，常用词和通用词，可以做一次系统性的语法学习
大量阅读论文，摘抄经典句子，通用句子，优美句子，可以先不要看摘要，练习复写摘要
可以先给老师讲清楚创新点，防止出现逻辑的一些突然转折，不清楚的问题。

2.日常内功修炼

2.1 读论文

从大量的论文中，分析出粗读论文和精读论文，一般每周精读3-5篇相关论文。那么要读到什么地步呢，就要从一篇论文回答以下的内容：

记住作者的名字，进而follow
记住题目，主要是为了防止可以尽快找到
要非常容易的说出本篇论文有什么缺点，毛病
很容易用一句话说出本篇论文为什么新，很容易发表，他的贡献点是什么。
可以很容易说出和这篇论文有类似的若干篇论文
很容易说出本篇论文的技术细节
很容易说出本篇论文的实验细节
最难的是怎么想着把本篇论文的创新点应用到本方向。

2.2 学机器学习

没事可以学习机器学习的东西，决策树，SVM，了解其中的背后的数学原理，
经常参加学术报告
系统上过一门机器学习公开课
数学推导写出简单的笔记当作是最终的理解，可以用白板推导。
以代码实现为最终掌握

2.3 写代码

必须掌握一门语言，一般难度的模型应该三天左右可以复现
找一个成熟的工具包或者代码库入手进行拓展，而且练习时要做到良好的代码风格。
做到复用
一定要做到代码开源，结果能够复现就好，平时多做积累

2.4 观察数据，收集数据

可以清晰准确快速的了解一个数据集合和自己当前任务的关系，比如有100个实验，那么就要做100次实验吗，如果能够做到对数据了解，那么里面有的方法可以推翻，不需要做实验，或者做实验的过程中，就可以判断这个方法的好坏，清晰预判一个方法在一个数据上的正确结果，哪些方法可以适用，哪些不适应，自己一定要清楚。
能够发现实验结果中的一些问题，进而总结实验中的一些规律，多看一些bad case，总结规律。 总结一下，在三年或者四年的学习中，你是否具备了以下条件：
1.掌握一门编程语言，可以自己动手完成一个模型的主干框架的开发。
2.熟悉基本的机器学习基础，要做到能够白板推导出来。
3.掌握自己本方向自己之前从未做过的任务
4.能够独立发表一篇本方向的相关论文，做到独立科研
5.能够带领低年级同学做科研。