记录一些最近读文章的想法
新出炉的ICML2017的accepted paper list已经看了个差不多，强化加deep果真很火。DeepMind似乎是最大赢家，占据了半壁江山呐。
我挑选了优化和传统领域的一些方法读了几篇，其中包括了time series + NMF 的策略， deep clustering + Kmeans方法(这篇文章我自认为和ICML2016那篇DEC并没有什么本质不同，甚至如果单就实验结果来说可能DEC会更好)。
这几篇文章的共同特点都是，故事说的不错。
这仿佛也是文章能中的一个很重要的特质。
什么叫故事说的不错呢？就是你的工作“仿佛”很有价值。
比如我现在在看的这篇，他的故事就是说，有一些疾病，它可能有许多变种，治疗手段会非常复杂。那我们希望能够将这种疾病和它的变种分成几大类来治疗。我们会额外的获得一些信息来帮助我们对于这些复杂变种的分类。那就是专家的领域知识（experts' view）XD。
这个问题本身就很有趣，看起来很有价值。
所以读文章的第一步就是，找到这篇文章想要解决的实际问题。
当然如果是一篇纯理论的文章就算了，我最近要focus在解决实际问题上。
第二步，也是我认为最重要的一步，那就是建模。
问题很容易找，大千世界有许许多多实际应用问题，如何将他转化成为一个可解的数学问题？这个步骤并不那么容易，也是我认为学cs人士必须掌握的一个技能。
在我读文章的时候，一般paper都会按照顺序先说实际问题，这个时候我自己会思考，如果我面对这个问题会怎么建模？
然后再看我和文章中方法建模的不同，再问自己，为什么会不同？文中的建模方法有什么优点？我的建模方法会不会提供解决这个问题的另一个思路？（大概这么想下去又可以生成一个新的算法咯虽然并没有）
第三步，读算法
算法基本可以说是一篇论文的核心，作者提出问题是为了提供一个“新颖又有效”的解决问题的方法。在计算机领域，这就是算法了。
在对数学模型很清楚的情况下，看看作者是怎么解决这个问题的。这是最为关键的部分。在这个部分，要解决以下三个问题
算法是什么？ 为什么他能够解决这个数学问题？他背后用到了哪些技术？
基本上读完算法这篇文章就差不多咯。读完再自己实现一下，基本对这个方法就非常理解了。然后就可以follow它做一些微小的工作了。
可能会继续更新。
