GPA 87，我短时间、跨专业上岸新加坡国立大学，多亏指南者背景提升计划助力！

科研经历最好是要与将来想要申请的方向密切相关，所以我选择了使用机器学习基于医学影像数据进行疾病诊断的科研课题。

在项目过程中将要使用到Python，指南者的老师们在项目初期给我安排了为期一个月的Python基础课程。在确保我具有一定的编程基础后，指南者的老师们开始帮我对接上了一位哥伦比亚大学的华人教授，我们在后续的交流过程中也十分顺利。

• 当今医疗领域如何处理我们将要研究的问题？
• 在当今机器学习如此流行的情况之下，其在医疗领域的应用为什么仍有研究之处？

教授这些由浅入深的问题，很好地引导了我开始自主学习以及进行深度思考。

• 在项目进行当中，除了会遇到模型实现过程中的代码问题，还会有着例如数据集不均衡问题该如何处理这种操作上的问题，此时我会询问教授和老师的经验和建议。
• 在对模型进行迁移学习的时候，需要获得这些模型通常情况下最优的参数设置，此时老师们则会引导我到Github中，学习其他作者的所分享的经验。
• 在最后的论文撰写过程中，也需要考虑论文的格式和排版是否合理、展示的图片是否美观、中英文转换是否恰当。此时则应该学习伟大学者们一丝不苟的态度，脚踏实地，一步一步地将自己在整个科研项目中的成果进行展现。

九层之台，起于累土。在对数据进行初步了解之后，教授和老师首先让我对机器学习在图像识别领域的发展状况进行探索，不仅提出了几个在该领域最为经典的模型，例如ResNet，VGG，AlexNet，ZFNet，DenseNet等神经网络模型，还让我去自主学习每个模型背后的原理、结构以及各自的优势劣势等等。

先从简单的模型开始，每周学习其中的几个模型并作为作业在第二周的研讨课上向教授进行汇报。此时，教授就会为我对每个模型进行深入浅出的讲解，把每个模型的关键之处进行剖析，让我对每个模型有更加深刻的理解。

在进行完几周的学习和实践之后，项目中使用到的这些经典模型的代码已经能够顺利运行，此时对经典模型的学习则告一段落。

在后面的时间中，教授则向我介绍了图片识别领域中更为先进的模型，例如Transformer类模型，我们选取了其中的Swin-transformer进行了深入的学习，并同样进行了代码的实践，而且可以明显看出该模型的性能比之前学习中的经典模型要好上不少，这也进一步说明了机器学习领域发展之迅速的特点。

指南者的背景提升项目很大程度上达到超过了我的预期。在这个科研项目中，第一个实质性收获就是学到了一门编程语言，这让我在不管是在项目进行过程中还是在项目之外的SRTP中，抑或是在将来的科研工作中，我都能够熟练地使用Python去高效完成。