PKU-DAIR實驗室新手科研入門指南Repo重磅上線！

      北京大學數(shù)據(jù)與智能實驗室（Data And Intelligence Research Lab at Peking Univeristy，PKU-DAIR ）致力于數(shù)據(jù)庫系統(tǒng)、大數(shù)據(jù)管理與分析以及人工智能等領域的前沿研究。團隊長期在理論和技術創(chuàng)新上不斷探索，已在國際頂級學術會議或期刊發(fā)表論文200余篇，并推出多個開源項目，與多家知名企業(yè)開展了卓有成效的合作。

      為幫助新手快速熟悉和進入相關科研領域，PKU-DAIR 實驗室特別推出了新手入門指南Repo。本倉庫基于課題組的科研積累，提供全面的入門論文、開源文檔和技術指南等分享，旨在幫助初學者快速熟悉數(shù)據(jù)管理(Data Management, DM) 和 人工智能 (Artificial Intelligence, AI) 等前沿領域，具體包括AI系統(tǒng)、DB+AI、自動化機器學習、AI Agent等方向，搭建堅實的技術基礎。無論你是剛入門的小白，還是希望加深理解的探索者，這里的資源將為你的學習與研究之旅提供有力支持。

資源亮點：

      Repo Github鏈接：https://github.com/PKU-DAIR/Starter-Guide 

• 科研入門指南

從基礎到進階，掌握高效閱讀論文的技巧，以及如何做好研究的相關知識，幫助你更快融入學術環(huán)境，獨立開展研究。具體包含以內(nèi)容:

• "Crafting Your Research Future", Charles X. Ling and Qiang Yang
• "The Most Common Habits from English papers written by Chinese students", Felicia Brittman
• Advice on how to succeed in graduate school", Marie desJardins
• "Letter to research students" , Duane Bailey
• "Efficient Reading of Papers in Science and Technology", Michael J. Hanson
• "The Task of the Referee", A. J. Smith
• "How to do Research At the MIT AI Lab", MIT AI Lab
• 科研入門指南--如何做好科研, 如何寫好論文?
• 如何讀好學術論文?

•  研究方向一覽

1. AI系統(tǒng)方向：涵蓋人工智能的基礎知識、機器學習和深度學習系統(tǒng)框架，以及分布式訓練和推理服務等關鍵技術。具體包含以下子方向:

• AI基礎入門
• ML/DL系統(tǒng)框架
• 分布式訓練
• LLM推理服務
• Diffusion（文生圖、文生視頻）推理服務

2. AutoML方向 ：專注于自動化機器學習，涉及超參數(shù)優(yōu)化、網(wǎng)絡結構搜索和模型壓縮等主題，提升機器學習的效率。具體包含以下子方向:

• AutoML與超參數(shù)優(yōu)化
• 網(wǎng)絡結構搜索(NAS)
• 模型壓縮
• 大語言模型與AutoML

3. Database方向 ：探索數(shù)據(jù)庫系統(tǒng)的基礎及其與人工智能的融合，包括經(jīng)典數(shù)據(jù)庫、AI4DB和向量數(shù)據(jù)庫等內(nèi)容。具體包含以下子方向:

• Classical Database System
• AI4DB
• Vector database

4. AI Agent方向 ：研究智能代理的規(guī)劃、感知和執(zhí)行等能力，幫助構建更智能的系統(tǒng)。具體包含以下子方向:

• 綜述
• Agent規(guī)劃
• 數(shù)據(jù)獲取與感知
• 執(zhí)行與工具使用
• Agent Benchmark

5. Data-Centric ML方向：關注數(shù)據(jù)驅(qū)動的機器學習方法，包括ML、LLM的基礎知識、算法和針對特定領域的應用。具體包含以下子方向:

• Data Centric ML Basic
• LLM and VLM Basic
• Data Centric LLM and VLM Algorithms
• Data Centric LLM and VLM Systems
• Data-Centric Domain-Specific LLMs

6. 擴散模型方向：介紹擴散模型的基本原理和應用，包括圖像和視頻生成、3D/4D生成技術。具體包含以下子方向:

• 擴散模型基礎
• 擴散模型加速
• 文生圖/視頻
• 3D/4D生成

7. AI for Science方向：結合人工智能與科學研究，涵蓋蛋白質(zhì)建模、小分子建模和生物數(shù)據(jù)分析等重要領域。具體包含以下子方向:

• 綜述
• 蛋白質(zhì)建模
• 小分子建模
• DNA/RNA/Cell

8. Graph方向 ：研究圖神經(jīng)網(wǎng)絡及其在數(shù)據(jù)中心學習和圖學習中的應用，推動圖數(shù)據(jù)處理的發(fā)展。具體包含以下子方向:

• GNN基礎
• 異構圖GNN
• 以數(shù)據(jù)為中心的圖學習
• GNN加速
• GNN與LLM結合

      我們希望通過這些豐富的資源，幫助有志科研的同學盡快找到自己的方向和興趣，在科研道路上更順利地前行。

       歡迎大家積極關注我們的Repo，提出寶貴的意見和issue，也歡迎加入我們課題組共同進行探索和創(chuàng)新，在科研的旅途中不斷成長！期待在知識的海洋中與你相遇，共同迎接未來的挑戰(zhàn)與機遇！

實驗室簡介

北京大學數(shù)據(jù)與智能實驗室（Data And Intelligence Research Lab at Peking Univeristy，PKU-DAIR實驗室）由北京大學計算機學院崔斌教授領導，長期從事數(shù)據(jù)庫系統(tǒng)、大數(shù)據(jù)管理與分析、人工智能等領域的前沿研究，在理論和技術創(chuàng)新以及系統(tǒng)研發(fā)上取得多項成果，已在國際頂級學術會議和期刊發(fā)表學術論文100余篇，發(fā)布多個開源項目。課題組同學曾數(shù)十次獲得包括CCF優(yōu)博、ACM中國優(yōu)博、北大優(yōu)博、微軟學者、蘋果獎學金、谷歌獎學金等榮譽。PKU-DAIR實驗室持續(xù)與工業(yè)界展開卓有成效的合作，與騰訊、阿里巴巴、蘋果、微軟、百度、快手、中興通訊等多家知名企業(yè)開展項目合作和前沿探索，解決實際問題，進行科研成果的轉化落地。