Re: 本來學ML是該轉路還是繼續鑽研

※ 引述《ckrmpuhv (阿瓜)》之銘言：
: 各位板上大大好
: 小弟是後段國立科大資管碩即將畢業
^^^^^^^^^^^^^^^^^
恩..."後段國立科大資管"，好一點的公司可能連HR那關都過不了

: 因為一些私人原因是不用當兵
: 所以論文完成後準備開始找工作
: 目前程度：
: 大學學過JAVA
^^^^^^^^^^^^^^^

要走ML，應該是要用Python吧，至少tensorflow 或是pytorch都是在python上有最多的
支持，那如果要走ML的底層，那就應該要會c++跟cuda或是opencl之類的

: 網頁跟資料庫也只有課堂學習過沒實際做小專案
: 因為對Ml有興趣
: 在碩階段期間 都是自學ML相關
: 聽過李宏毅老師的課
: 實作過他課程的作業
: Keras的一些神經網路搭建也沒捨問題
: Kaggle只參加過一兩次 排名都很爛
: 大部分的實作和論文都是跟影像辨識相關
: 最近看板上大大各式各樣建議
: 非四大四中 也不是kaggle的佼佼者
: 數學方面 線代沒學 統計學大學學過但也不熟
: 看完覺得自己很爛出去可能沒人要？

理論不行，直接自爆
但我想問一下，你是否有能力可以去推導back propagation?
或是可以用數學理解為何inception net 比 VGG16好
那甚麼是 L1 L2 constrain?
牛頓法跟gradient descent有甚麼關係勒?

你說你的論文是跟影像有關的，那懂不懂傅立葉轉換阿?

: 目前都還在做ml各種模型實作
: 但看完板上很迷茫要往哪些方向學習怕找不到工作非常憂鬱
: 我不清楚該橫向發展拓別的領域
: 像是網頁、App 自己做一些小專案增加作品集
: 還是去補數學 更深入研究Ml
: 又或者先去刷Leetcode打底
: 還請各位大大指教 謝謝
: -----
: Sent from JPTT on my iPhone

我自己也不是ML專業，也算是半路出家的，那因為要把ML放在MCU上，
所以去看了很多ML的paper跟文章。

ML的水很深，如果數學不行，就一定要把數學補起來，要不然人家面試問一下，
就真的倒在那邊惹。(請注意喔，我上面的問題都還只是基本題中的基本喔)

我曾經在一篇文章講過，用Keras把一個常見的模型跑起來，這個請個工讀生
都可以做到的事情，沒有必要花錢請一位工程師來做。

但是我可以告訴我主管 ，為什麼要這樣做，Learning rate要怎麼設定會比較讓
模型快速收斂，這才是我的價值。

喔~~對了，我還只是個韌體工程師喔，我的專業還是在韌體上開發演算法喔

在台灣做ML的大致上有兩種(這也是我專門做ML的學弟跟我講的)ㄎㄎ：

有問題的話也請做ML的專業大大更正

1. 拿現成的model去做 transfer learning或是改善pre-processing的方法，讓圖片
或是資料更容易讓model收斂。

很多公司都是要有馬上的功效，若是重新建立一個新的架構，那要花多少時間去
fine tune?然後要收集多少的資料去最佳化weighting?

聽說連發哥都沒在做這種事情，那就更不用期待其他一些小公司有辦法去支持這樣的 開發案。

2. 把現有的ML 模型縮小，然後可以放在嵌入式系統上。
這就跟我現在在弄的案子比較有關連，確實會需要ML的工程師，不過該工程師
最好也得知道一點嵌入式系統，這樣在執行專案上會比較有幫助。

如果真的要走ML，就請把線性代數跟統計補齊，因為deep learning只是ML中的一部分
如果可以用比較傳統的方法就可以解決的問題，為何一定要用deep learning????

如果發現自己的數學不行，那就趕快盡早轉行。

真心不騙......

順帶一提，其實外商比較不太重視學歷，但很重視英文，所以英文也是一項重要的技能

--

ㄎㄎㄎ 其實也只是跟主管特別強調一下: "我不是只會套模型這樣的啦"XD 當然因為主管不懂deep learning，所以聽到我這樣跟他說，他喔喔喔喔 ~~~果然有價值!! (這可以算是嘴砲的最佳實證) 當然，我自認為我的程度是還不是很懂ML這塊的喔 我只是個半路出家的嵌入式韌體工程師喔

沒錯，譬如說Adagrad，這種東西在tensorflow 不用自己去code 但我當初就是跟主管報告甚麼是Adagrad，以及為什麼要用Adagrad 然後主管就: 喔! 讚~~雖然聽不懂, 但感覺很厲害，然後考績就香惹 大guy4這樣 ML面試的問題千變萬化 ，也有可能面試者直接問甚麼是Adagrad阿 ? 那為何用Adagrad效果不錯? 所以我是覺得把ML的基本理論都弄懂是絕對重要的

我其實不太懂你的點 ....原po說kaggle打得很爛 ,然後又不太懂數學, 假若你們公司 需要有即戰力的ML工程師,你敢用他嗎??????????? 我相信kaggle名次很前面的高手,對於小弟所提出的弱砲問題一定是秒殺

資料降維是什麼? 這個做ML的人倘若不知道,基本上應該是.....呵呵又顆顆 PCA是很常見資料降維的手法之一 這在線性代數裡面是很基本的內容,原po沒有唸過線性代數,我會很懷疑 原po處理資料的能力在哪裡