2013年总结

大概从去年9月份(研一开学)开始接触机器学习。到目前为止也有一年多,最近身心无力,有一种严重的挫败感。

最开始的时候关注搜索引擎,大概在去年8,9月份吧,最初是从北京理工大学的一篇论文开始的,那篇论文貌似是发表在2010年的KDD,主要讲的是根据标签密度抽取网页内容的方法。也是偶然从一个QQ群里看到有人讨论这篇论文,然后就拿来读了读,用C++写了网页爬取的程序,爬了一些新浪博客的内容,又用C++简单实现了一下论文的方法,先调用一个xml库将网页解析成DOM tree,然后获得tag之间的内容,密度值设置30左右时效果最好。后来就没有继续在做,主要是觉得太机械,不够智能。现在挺怀念那段时间的,虽然什么都不懂什么都不会,但是有很多时间可以尝试去做自己感兴趣的事情。而且那时候心态一直很好,什么问题都敢问,即使被人嘲笑了也觉得无所谓,就觉得自己很差被别人嘲笑也没什么,还有很多时间去学习,去做自己喜欢的事情。

九月份研究生开学,最初的一个月我一直处于恍惚之中,不是精神恍惚,是有些不敢相信现实:在社会上晃悠了将近2年的我,怎么现在又坐在教室里了?呵呵,现在想起来自己挺搞笑的。最初的一个月,几乎没怎么睡觉,每天都很亢奋,晚上睡的很晚,早上起得很早,从网上查机器学习的基本模型算法,计划一个个先学习一遍。花了将近一个月学习决策树,主要时间花在了看懂源码上了。现在觉得不该那么学习,方法不对,特别是要读懂上千行的代码,感觉有些不值得。

后来,爬微博上的内容,从网上搜集了一些资料,模拟登录新浪微博,以浏览网页方式爬取微博内容,用python写的,不过大部分代码都是从网上找的,根据微博ID一个一个爬,从文件中读取ID,发送命令,获取返回字符串,保存到硬盘里。微博ID是从梁斌博士那里copy的,那天上午我跑到清华,但梁博士说不在学校,然后我就在清华东门附近晃悠了一中午,午饭吃了肠粉,真不好吃,扔了。下午找到梁博士,copy,走人,在此向梁斌博士表示感谢。。话说我看到一个牌子上写搜狗与清华联合实验室什么的,感慨他们的条件真不错。记得临走时梁斌和我说:这些数据你拿着,预祝你在科研上能取得进步!唉,很可惜,自己并没有在科研上有什么进展。由于实验室没有服务器,我的小破笔记本又太慢,所以每个ID只爬取45条微博,我算了一下,如果只用笔记本的话,要爬到第二年8月份..于是我到处找服务器用,但是没找到,后来找到2个同学借用了实验室台式机。爬回来的数据占用空间太大,又用C++写程序提取内容,本来打算用之前实现的北理工论文方法的,但是效果不太好,微博本来就140字,一不小心一条微博就被丢掉了,所以就基于标签匹配的方式提取内容,主要是有转发的情况不好处理,不过,调调程序,总算搞定了。大概持续了将近一个月吧,也不知道爬回来的数据怎么用,就没继续做了。现在想想,那个时候还处于原始阶段,也就只能弄个爬虫基于规则写个程序什么的,太简单太原始,太傻太天真。

中间去过中科院信工所面试实习生,主要是想趁导师不在出去实习学点儿东西,也是想尽快做“真正的机器学习”,面试时问了我关于爬虫的事,貌似还有一些基本的机器学习算法的问题,一切顺利,但是问到实习时间时出问题了,时间达不到要求,然后就没去成。记得我还提了一个关于分类的想法,大概意思是:特征处理成向量形式,从前向后扫描时记录1所在的位置,对于每条样本,计算一个sum += exp(index_i),然后再根据每条样本计算得到的那个sum数值分类…,不过都是瞎想的,不可行。面试时信工所老师的意思是让我去做爬虫方面的事情,后来虽然没去,不过我细细想了一下:为啥是让我做爬虫?因为我当时的能力貌似只能做爬虫…然后我就想,不能这样,我得做些更有技术含量的事情。

回到学校后继续学习机器学习算法,李航的《统计学习方法》我是从前往后看的,特别是SVM那一章,不容易看懂,我就推公式,也泡图书馆查资料…推着推着,发现自己已经不是在学习机器学习的事情了,已经完全陷入了数学的包围圈,记得当时在图书馆读一本叫做least square什么什么的书,突然我又迷茫了:这样是不是不太好啊,这成了学数学了啊。我不讨厌数学,但是我更喜欢应用数学…于是,在20天左右之后,我又不知道该怎么办了。我焦虑,失眠,甚至有些失望,我每天呆在寝室学习,晚睡早起,目的就是想多学些东西,把我自大一以来浪费的时间,浪费的知识不会来,可是现在呢,感觉不到自己的进步…

快期末考试了,我继续东一下西一下的学习机器学习,看优化算法方面的书,把本科时的数值分析也重新翻了出来。后来我觉得可能是因为我没有实际的应用场景,所以不知道具体该学什么,所以我决定找个应用方向,当时是从自然语言处理,推荐系统,数据挖掘三个方向选的,思来想去,选择了推荐系统。然后开始学习LDA,读blei的那篇经典论文,和北航一个博士师兄一起推导论文中的公式,看源代码,关于变分推理那部分的代码,真是难,还有梯度求导,花了好几个星期,期间还要参看其它论文,总之,又是一段时间的亢奋,记得那时候我经常每晚快12点了才从北航骑车回学校,冻得要死。后来寒假放假,室友都走完了,我还是每天早起晚归,还好北邮离北航不算太远。

年后,导师从国外回来了,要派我去公司实习,我是真不想去,想继续跟着北航博士师兄做事情,后来不得不去,我抱着试一试的态度过去一看,不到20人的公司,老板说,我们的技术是“国内领先的”,听到这句话我已经明白了…然后就是找导师谈我的想法,说我已经做了很多努力,想在机器学习这条路上走下去,花了不少时间和精力,导师同意了,所以我必须回实验室。记得是今年(2013年)的3月22号,我搬到了实验室,我说打算做推荐系统,导师就说让我要找到新的问题,要多看论文,可是我不知道怎么去找到新的问题,导师告诉我说,就是多看论文,你做的东西我也不懂,全靠你自己了。然后我就到处搜集论文,到处查资料,先行综述看起,看了一些论文,做了一些PPT,然后,问题还没有找到,我也很着急,可是也没办法, 我问导师:关于如何找到新问题,如何读论文,有没有一套方法论的东西?导师说没有。那好吧,我实在没办法了,继续读论文吧。然后发现online learning应该是个不错的方向,所以就查资料,关于online learning的一些算法,以及reinforcement learning的资料,还找到了VW的源代码去看,可是,我又陷入了一个误区,看什么源代码啊,要发现问题思考问题啊,唉,时间就是这么浪费的…

5月份的时候,我觉得推荐系统不好找到新问题,我觉得做个比较新的方向吧,应该容易找到新的问题,然后我就关注计算广告学,看刘鹏老师的视频,查相关资料,读相关论文。期间参加阿里实习生面试,通过了,6月底了才让去入职,话说效率好低。去了公司,亢奋,我每天6点就起床,先坐公交再坐地铁,7点10分左右能到公司,比别人早去2个小时。早班地铁上人少,我就拿起论文看。每天这样,一直到实习结束。实习的内容就是读读论文,讲讲论文,大部分都在读吧,一共讲了3次,然后就是一些小项目小程序,接触到了hadoop, 写了hadoop job, 对展示广告有了深入的了解,也做了一些实验。最大的收获是改掉了之前拿起论文就开始推导公式的坏毛病,都不看论文是解决什么问题的,这和之前的经历有关,之前做推荐方面的事情的时候,由于是跟着别人学习,所以自己just do, 没有问过why。也就是没有独自思考问题的能力。实习期间向刘鹏老师请教过,刘老师说E&E问题还有的搞,但是比较难,可是,我正是那种明知山有虎偏向虎山行的人,我一听比较难做,又亢奋了,就搞E&E了!所以整个暑假除了ctr预估方面论文,就是E&E的论文,快开学的时候,开始coding,打算把baseline实现了。开学后我把想法和导师一说,导师说只是个比例问题,还是不要搞了,所以就没继续做了。

回到实验室,重新开始关于ctr预估方面的学习,暑假的东西真是白做了,好痛心。又是一顿狂搜集资料,可惜的是这方面资料比较少。后来我一想,先实现baseline吧,就是线性模型logistic regression。找来kddcup 2012 track 2的数据自习研究,给自己的笔记本添了内存条,达到16G的土豪配置。然后学习MPI,Redis,处理数据,用C++编程…5900万的维度,1100万的样本,并行logistic regression,SGD的并行,读了AUC的资料,用C++写了个计算AUC的程序,一算,AUC最好才0.55,我还不如扔了算了……

过去的一年,我失败的一年,每天很忙碌,但是过的很乱,我现在很受伤,很受打击,最让我觉得毫无意义的是收集资料的时间,有时候想解决一个问题,论文就在那里,可是我却好不容易才找到,这些不是只靠输入关键词就能找到的论文,是最浪费我的生命的!我很羡慕那些有人指导有人带领的同学,他们的师兄师姐随手指定一些论文,就可以安心去读了。而我却还要一边读一边判断是否是我需要的,虽然有些是可以通过introduction或者conclusion直接判断的,但是有些是开始觉得是我想要的,然后看着看着就发现不是了,所以就丢掉继续找下一篇…就这样,TM的我的时间就这样没了!!!我到现在也没能仔仔细细认认真真读过超过20篇论文。时间总是在忧郁不觉中慢慢流逝,到头来什么也没得到。我有不少书,凸优化,PRML,MLAPP,每一本都是读一些,或者跳跃着读,从来没有系统的完整读过一本。

到现在我突然觉得自己一无所获,一无所有,搞了一年的机器学习,感觉还不如别人天天没事儿刷刷题。但是我不后悔自己的选择,只是,接下来的一年要改变学习策略了。从现在起,有一年的实习时间,如果能找到合适的实习机会,就继续把全部精力放到机器学习这件事,继续做自己喜欢的研究性学习。如果不能找到合适的实习机会,那就把时间放在安心读书上,首先要做一个合格的码农。

未来的计划一是花时间继续刷题,而是认真读书PRML,MLAPP,convx optimization(感觉不如numerical optimization好啊),matrix analysis…去TM的论文,再也不会像以前那样花大量的时间就为了找到一篇论文!受够了!!!

9 thoughts on “2013年总结”

  1. 哈哈,这个算是年终总结吗?

    其实吧,互联网里常见的几个方向都有很大的搞头,比如你文中提到的爬虫,基础的有点编程基础的都学的比较快,但是深入下去,网络协议TCP/HTTP,压力控制,JS 、浏览器内核比如WebKit等等这些都是学习的重点,需要耗费很大的工夫的。往应用上说,爬了数据,你得抽取吧,网页抽取也是个大坑吧,github搜索关键字readability,会发现一些开源的小玩意,但是成熟的作品不是非常多吧,百度、sina这方面做的也各自问题。反正都不是急于求成的。就拿我现在搞的方向,感觉连个门槛都没摸到。。。

    喜欢哪个方向就努力下去吧,如果只为毕业找到互联网好工作,写代码+A题才是王道。

  2. 感觉自己在机器学习的路上遇到了和你类似的问题,会陷入到理论之中。但是具体内容的实现,难道不要深入到里面的原理里吗?咨询一下,(1)现在你已经不采取联系理论和理论实现的具体代码,来学习了吗?(2)就SVM算法本身的实现而言,李航的《统计学习方法》中的理论部分是否有具体价值意义呢?

    1. 你好!很抱歉现在才回复你。
      1,不必把每个模型的代码都要弄的清清楚楚,不是没必要,是因为时间没那么多。工作之后,更多的是分析解决实际问题。
      2,不太理解你说的具体价值意义是指什么。但是那些算法还是值得研究的,通过研究svm的优化算法,可以把优化理论的知识补一补。
      我个人的一些感悟:
      1,理解模型,结合实际业务。
      2,先由对实际问题分析,分解成可优化目标。然后用你掌握的机器学习模型去解决分解后的目标;最后把各个求解后的子目标综合成一个解决实际问题的方案。

      感谢关注~

Leave a Reply

Your email address will not be published. Required fields are marked *