写给自然语言处理 计算机视觉 时空数据挖掘本科新生的一封信

各位本科新生：
你们好！首先欢迎你们加入AIMLAB智能多媒体实验室！ 进入实验室开展科研学习是一项辛苦但却十分有趣的事情，因为能够做出有意思的工作是一件非常有成就感的事情， 就我个人亲身经历而言，这本身就是一个挑战自己和探索世界的过程。希望你们能够在接下来在实验室享受这段充实快乐的时光。 下面我将结合我个人的学习经验，提供一些关于自然语言处理、计算机视觉以及时空数据挖掘的学习路径参考。
首先关于实验室的相关研究可以参考我的个人CV，如果有感兴趣的方向可以仔细了解，也欢迎开展新的方向。 你们可以通过吴恩达“机器学习”、“深度学习”课程来入门人工智能领域，值得注意的是， 进入这个领域需要具有一定的高等数学、概率论以及Python语言基础，了解什么是面向对象编程，这将有助你构建高效的代码。 吴恩达的课程后面会布置编程作业，可以以week为单位完成，这将非常有助你深入理解现代人工智能的基本原理。 相关的练习代码可以在Github上找到。接着你可能需要了解的深度学习框架，包括且不限于Pytorch、TensorFlow以及Keras (1. x版本系列可以帮助你快速入门)。 你需要了解的编程工具有PyCharm、Anaconda、JupyterNotebook、Spyder等。建议使用的系统macOS、Linux等, 不建议使用Windows系统完成你的项目开发。
在学科竞赛方面，计算机大类学科含金量最高的ICPC、Kaggle类比赛, 但是你的方向如果专注人工智能领域，不建议花费过多的时间在ICPC竞赛上， 从保研角度考虑，或许可以根据信息与计算机学院的推荐赛事表选择参加，不过这一切的思路来源都是源自你的科研项目推动，下面重点介绍如何开展自己的科研之路。 在论文阅读方向，我本科阶段花了两年时间研究自然语言处理方向，在保研工作结束后，花了一年左右时间研究计算机视觉是时空数据挖掘方向， 这也是我的研究生方向，因此我从这从这三个方向给出一些意见。
从论文阅读方面，深度学习领域现在比较流行的算法是LSTM、Transformer, Attention等。 而在应用领域，自然语言处理方向有对话系统、知识图谱、代码生成、命名实体识别、关键词抽取，文本分类，情感分类等。 计算机视觉领域较为流行的算法包括CNN、ResNet以及最近提出的的Vision Transformer和Swin Transformer。 时空数据挖掘领域流行的算法有CNN、GNN以及ConvLSTM等。
推荐会议：
NLP:ACL、EMNLP、NAACL
CV: CVPR、ICCV、ECCV
DM:NIPS、AAAI、CIKM、SIGKDD、SIGIR
一般而言， 同学可以先通过阅读AAAI、IJCAI上面的文章了解近期人工智能领域的主流方向和技术, 然后阅读CIKM、SIGIR、ICDM、UBICOMP 等数据挖掘相关领域的专题文章，由浅入深。 在具有一定基础后，可以阅读KDD、www等更为顶级的会议。人工智能领域, 可以阅读NIPS、ICML等顶级会议。 事实上，我们方向比较主要的阅读文献来源就是AAAI、IJCAI、CIKM、KDD、WWW、SIGIR、IEEE TKDE等。
此外，还要学会刷会议，以上会议可以经常在dblp(主流论文检索)里进行检索，并对一整年该会议的论文进行整理，顺序是这样： 先看标题，选择感兴趣的阅读摘要，再阅读模型图和introduction, 最后阅读全文。此外, 还要勤做笔记，记录好的idea和表达好的句子、公式。
阅读论文的顺序如下：
标题=>摘要=>模型图=> introduction=>方法⟨Methods)=实验，具体在任何一步如果你觉得不感兴趣或者和自己的研究相关度不高，都可以放弃，但是你需要保证每周1篇左右完整论文的阅读量。 我们也会推荐一些有价值或者有意思的论文，发到群里，你们可以选择性阅读。
好了，就写到这儿，欢迎大家在科研学习的过程中与我交流，如果合适可以推荐到中国科学技术大学先进技术研究院\火灾科学国家重点实验室\人工智能研究院进行科研实习。 祝大家科研学习顺利，收获自己想要的。