我的研究一直都是跟人工智慧跟機器學習相關的，而我們主要希望用人工智慧的相關技術來解決一些現實生活中我們會碰到的問題。那我的實驗室要解決的問題通常是比較實務的，這個實務不是 food 的那個食物，是 practical。因為我現在主要是在 Appier，是一間 AI 公司，那我自己也有新創一間公司叫 OmniEyes，我也會幫忙一些其他公司，所以我這邊看到比較多是實務上會碰到的問題，而我們希望從學術的角度來解決它。
在我們實驗室碰到的問題都是真的問題，我比較不喜歡去解所謂 toy problem，toy 就是指這個問題的設定在現實生活中是不會碰到的，這個對我們來說比較沒有吸引力。我們碰到的是業界真的會碰到的問題，然後業界可能沒有能力或時間去解，所以讓學校來幫他解決這個問題。因為專題生可能會在這個過程中，接觸到一些業界的題目，所以我希望專題生對實務應用，對如何把 AI、machine leanring 用在解決生活中的問題是很有興趣的，或是你想看一下這些東西在業界到底怎麼用的，那這可能能夠從我們的專題上學到。
成為專題生其實很簡單，就是 email 給我，然後我會跟你約一個時間面談。談完以後如果彼此都覺得這個研究題目還滿有趣的，也想做，就可以加入我們的實驗室。
我想最好是修過機器學習，可能也要學過機率和線性代數。如果你學過機率、線性代數，而且那個學期正在學深度學習相關的主題，那也可以。
都有，有些專題生有比較想要做的題目，那他就可以自己 propose；有些專題生不太確定自己要做什麼題目，那我們通常會讓他跟學長姐、研究生組成一個小組。剛開始進來的時候都會用小組的方式來進行。
通常一個小組會選定一個題目，這個專題生一進來的話通常是組員，組長通常會是一個比較有經驗的，也許是碩士班、博士班的學生，或是待比較久的專題生。這個小組一個禮拜會跟我 meeting 一次，也會另外找時間 meeting 來討論進度。那在解這個問題時，一開始可能需要看一些 paper，看別人已經做到什麼部分，以及看一下有沒有哪些 library 可以使用了。
我們的研究模式大概就是看 paper 來了解現在的 solution 的優缺點在哪裡．然後想辦法改進這個缺點。當你想到一個方法之後，你可能就會做一些實驗去驗證這個東西到底是不是真的有用。那如果真的有用的話，我們下一步可能就會是寫 paper，把這個東西寫成學術論文分享給大家。
這個 depends on 個人，有些同學很認真，一週可以花到十個小時；那有些同學他可能比較忙，會花比較少時間。我的期待是，如果你修專題，你就至少把它當成系上必修課來看。專題就是一門必修課，所以你必修課會花多少時間，你大概就要花這麼多時間在專題上面。那如果你可以花更多，當然是更好，因為你花越多時間，你的回報就會越多。
我的實驗室是比較西方的帶法，我並不是那種會牽著你的手，一步一步教你怎麼做的，所以希望專題生可以自動自發。遇到問題可以自己提出來問我或是學長姐，如果需要什麼資源，也可以提出來。如果你越積極的話，就可以在過程中學到越多的事情。
我覺得這個問題很好，做完一個專題，你到底要獲得什麼？我想第一個就是你要學到怎麼解決一個別人沒有解決過、困難的問題。因為這個問題你可能還不知道怎麼解，所以你要學到查資料，看各式各樣的 paper 去看別人怎麼解這個問題。再來你要學會分析，你可能找到十篇、二十篇 paper 在解這個問題，那你就要能夠分析每個方法的 pros and cons，很快地知道這些方法適不適合現在這個問題。所以第一步就是在文獻中找到一個可能的 solution。
第二步就是你會學到怎麼樣 implement 這些方法，比如說你找到一個很適合的 solution，那麼你可能需要先 implement 它，再用在 data 上面。在過程中你可能會碰到各式各樣的問題，那你必須要去學會如何解決它們。比如說 implement 的時候可能需要調 machine learning 的參數，memory 不夠要怎麼辦，或是 paper 這邊沒有寫清楚，我們需要 email 去問作者。我們會遇到各式各樣 technical 的問題，所以你真的要把它實作起來會需要克服一些困難。
那最後就是，如果你發現它做得不好，不需要太緊張，因為它做得不好我們才有空間。我們可以開始想為什麼這個方法做得不好？哪裡可能有缺點？我們可以怎麼樣改進？那只要你有改進的話，你就會有一些貢獻。我們就會在這個過程中，一直找尋問題的答案。
如果研究主題做一陣子覺得不合適的話，大概有兩個方向。一個就是跟老師聊聊看，看你是不是真的不適合這個實驗室，那如果不適合這個實驗室的話，我會推薦你去其他比較適合你的實驗室。第二個就是也許你還是滿適合我們實驗室的，只是這個組的工作模式或是題目不太適合你，那我們可以在實驗室內換題目。大概就是這兩個方向，一個是在實驗室內換題目，一個是建議你到其他的實驗室。
因為我們實驗室的專題研究會讓你接觸到一些實務上會碰到的問題，所以假設你要走人工智慧或是機器學習相關的工作，那這個跟你未來找工作是有關的。你可以在這邊學到一些實務上的技巧，可以使用在以後的工作上。我們實驗室也有另外一個特點，很多同學會參加一些比賽，比如說 Kaggle，或是 KDD cup 這種資料探勘的競賽。我們很鼓勵學生參加這些競賽，參加這些競賽也可以是你專題的題目，你會學到怎麼樣去 optimize 某一個 objective，這個對未來相關的工作也會有幫助。
所以我個人覺得專題研究對你的未來，不管你是走學術界或是走業界，都有幫助。走學術界就是你會藉由這個專題這個機會去發表一些 paper，發表這些 paper 後你就會知道你喜不喜歡這個領域，或是你適不適合走這方面的研究；那如果你沒有發表 paper，學到的技術基本上能應用在業界。
我建議三年級應該要開始了，最慢應該是在大三的時候，有些同學快一點可能在大二下就可以參與了，大四我覺得有點慢了。大三或大二下參與的好處是：如果你參與一個實驗室，但發現不適合，你還有機會在下個學期換到其他的實驗室，再做一些嘗試。你可能在到四上的時候，你就要選擇你未來研究所要加入哪一個實驗室，所以如果你早點開始，你選擇的機會會比較多。
我覺得第一個是修課，你可以根據老師的上課風格和講的內容來做選擇。如果你覺得還不錯，跟你有共鳴，你可以參與這樣的實驗室。除此之外，盡量去修不同的選修課，你可能有興趣的東西就去修。你在修課的過程中，如果你修課的分數都很高，而且你都做得很得心應手，你可能就是很適合；那如果你修的很痛苦，都不太了解，或是很努力但成績都不是那麼好，那表示你不是很適合這個領域。
那第二個是做專題。大家可能要有一個概念，做專題並不是像交男朋友、女朋友，或是結婚，換專題並沒有想像中那麼困難。如果你做一個學期的專題，做完以後你覺得沒有興趣，其實跟老師講一下，大部分老師都可以接受。我有時會問一下專題生對什麼有興趣，也許能順便介紹比較適合你的老師。所以做專題就像你修課一樣，有的課有上跟下，你修完上你不一定要修下，你如果修完上你沒興趣，你可以不用修下，大概就是這樣的概念。
所以大家做專題不用太緊張，好像我加入這個實驗室我這輩子就一定要加這個實驗室，沒有那麼嚴格。那當然你換實驗室，你會需要重新適應新的實驗室，會需要重新來過。這件事情，在我們系上來說都是 OK 的，所以大家不用太緊張。
我最後再補充一點，因為我現在比較多時間在業界，所以我希望如果有對業界，尤其是對 AI、machine learning 有興趣的同學，我們會優先考慮專題，歡迎想要知道這些東西要如何使用在實務上面的同學來參與。