就算是博士，也很难对所有的关键技术都参透了解。那么如何有效了解一个新领域，是研究者们必备的一项技能。
最近，一位博主就亲身示范了吴恩达的方法，在Medium上，两天即获得1.7k赞。
方法具体如何呢？我们就以「姿态估计」这一技术为例，来介绍一下这个方法吧。
既然有了目标，第一步收集资源，并整合起来。
论文、博客文章、GitHub资源库、视频……在谷歌上搜索「姿态估计」这个词，得到所有关于这个关键词的资源都要整理下来。
这一阶段，资源数量是没有限制的。只要是你认为重要的资料都可以整理，但要注意，一定要创建一个有用的论文、视频和文章的短名单。
第二步，将你认为的与主题相关的任何资源进行深入研究。
这时候，你可以绘制一张表格。
对每种资源的理解程度，做一个实时的跟踪。
具体来讲，最好的方式就是对所有你收集到的资源都有一个10%～20%的理解程度。
这样，就确保你已经对你所收集到的资源，有了足够的了解，并且还能准确的评估其相关性。
很好，你已经对这项技术基本入门了。
更进一步，仔细研读相关程度更高的文章资源。这时候，就出现了一个问题，大概多少论文足够了呢？
吴恩达说：对5～20篇的论文的理解，那么就说明你对这个领域以及研究进展有了基本的了解。
如果研读到了50～100篇，那么已经非常了解这个领域了。
这时候，你的表格可能是这样。
如果可以的话，还可以做一下笔记，用自己的话总结论文当中的关键发现、技术和研究。
接下来，就集中介绍一下如何研究一篇论文。
吴恩达认为，要理解一篇论文，一次将一篇论文从第一个字读到最后一个字，可能并不是最佳方式。
正确的打开方式是，一篇论文至少要看三遍。
第一遍，仔细阅读论文中的标题、摘要和关键词。
第二遍，阅读文中的导言、结论以及图表，快速扫描一下论文剩下的内容。
这一步主要是要把握论文中的关键信息，不光是导言和结论，还包括文章中任何小结论的总结，文中涉及的补充信息都跳过。
第三遍，阅读论文的整个部分，但是要跳过任何可能陌生看不懂的数学公式，技术术语。
不过，如果你需要对这个专业领域有一个「深入」的理解，那就必须要搞懂那些公式术语了。
如何检测你对这篇文章的关键信息有了基本的了解？问自己问题吧！
吴恩达提供了一系列的问题，在阅读的时候询问自己。这里就摘取一部分。
1、Describe what the authors of the paper aim to accomplish, or perhaps did achieve.
这篇论文作者的目标是什么，或者也许已经实现了什么。
2、If a new approach/technique/method was introduced in a paper, what are the key elements of the newly proposed approach?
如果文中引入了一种新方法/技术，那么这一新提出的方法/技术的关键要素是什么？
3、What content within the paper is useful to you?
论文中，有哪些内容对你有用。
4、What other references do you want to follow?
你还想关注哪些参考资料/文献？
此外，还分享了一些有用的在线资源。
The Machine Learning Subreddit：
https://www.reddit.com/r/MachineLearning/
The Deep Learning Subreddit：
https://www.reddit.com/r/deeplearning/
Paper With Code：
https://paperswithcode.com/
Research Gate：
https://www.researchgate.net/
还有一些顶级会议，比如NIPS、ICML、ICLR…
不过，吴恩达也强调：
Learn steadily rather than short burst for longevity.
稳扎稳打，而不是短时的突击，才能长久的学习。这不光是对机器学习领域，还对整个学术领域有益。
这位博主根据吴恩达的方法，每个月至少阅读四篇论文，来达到理解的目的。
吴恩达他自己也在视频里说，他就随身携带着一批论文，有时间就拿出来研读。
希望这个方法对你有所帮助～如果你有很好的学习论文的方法，也欢迎跟我们分享。
博文链接：
https://towardsdatascience.com/how-you-should-read-research-papers-according-to-andrew-ng-stanford-deep-learning-lectures-98ecbd3ccfb3
视频链接：
https://www.youtube.com/watch?v=733m6qBH-jI
联系客服
