機器學習自學

看板Soft_Job作者 ( )時間9年前 (2015/02/24 07:49), 9年前編輯推噓23(23推 0噓 51→)
留言74則, 20人參與, 最新討論串1/1
大家好 小弟目前的工作內容是做影像辨識 會需要取圖片特徵 資料分析 機器學習等演算法 但我本身是物理背景 當初陰錯陽差做這工作 面試都沒提到 報到之後才第一次聽到機器學習這個名詞 而且部門內只有我一個人做這個 其他人也都是物理化學背景 所以等於是要自己重新學跟寫演算法 一個人做又沒有人帶 目前做了三個月 始終覺得難以上手 想請問非本科系 要一個人自學機器學習 要多久才能上手 感覺有太多基礎知識不會 還是我應該快點換工作 希望有經驗的板友 能給我一些建議 謝謝 -- Sent from my Android -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.26.126.231 ※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1424735361.A.E13.html
推
02/24 08:57, , 1F
corsera上的相關課可以先看一下
02/24 08:57, 1F
推
02/24 09:12, , 2F
不知道原PO是做機器學習的哪塊領域,svm,neural network?
02/24 09:12, 2F
主管是叫我自己看有哪些演算法，然後每種都試試看，比較哪個比較好 不然就是叫我去benchmark Google Apple 這些大公司用什麼方法 = = 簡單來說就是完全沒有方向....囧
推
02/24 09:24, , 3F
推coursera上台大林軒田教授開的那兩門機器學習
02/24 09:24, 3F
推
02/24 09:59, , 4F
我推薦 standford的課程 蠻好入手
02/24 09:59, 4F
推
02/24 11:54, , 5F
這些工作一個人做 loading有點重xd，光是feature extract
02/24 11:54, 5F
→
02/24 11:54, , 6F
ion就有很種算法，且feature怎麼選對train出來的model又
02/24 11:54, 6F
→
02/24 11:54, , 7F
有很大影響，每個環節如果都有專人負責研究，原po負擔應
02/24 11:54, 7F
→
02/24 11:54, , 8F
該會比較少:)
02/24 11:54, 8F
徵求好手，年薪130-140，還缺人一起做，有興趣請站內信
推
02/24 15:49, , 9F
我覺得非本科跨入門檻還滿高的ㄟ......很硬
02/24 15:49, 9F
→
02/24 15:49, , 10F
另外...林軒田那兩門coursera的課不會教你寫code
02/24 15:49, 10F
→
02/24 15:51, , 11F
你就算學了一些算法或是觀念..但是要實作又是一回事
02/24 15:51, 11F
→
02/24 15:52, , 12F
所以我也像原po一樣，很好奇怎麼學好這個
02/24 15:52, 12F
→
02/24 16:08, , 13F
一個人自幹喔.....你還是換工作吧
02/24 16:08, 13F
推
02/24 16:12, , 14F
換工作吧，我當初也只是有個基本概念就找lib硬上，後來發
02/24 16:12, 14F
→
02/24 16:12, , 15F
現沒基礎真的不行就跳坑了
02/24 16:12, 15F
推
02/24 17:29, , 16F
雖然很有挑戰性 但是最好還是換工作
02/24 17:29, 16F
真的很有挑戰，但是沒經驗一個人真的吃不太下去... ※ 編輯: raydo (114.26.126.231), 02/24/2015 19:22:24 ※ 編輯: raydo (114.26.126.231), 02/24/2015 19:30:52 ※ 編輯: raydo (114.26.126.231), 02/24/2015 19:31:56
→
02/24 19:56, , 17F
塊逃啊
02/24 19:56, 17F
推
02/24 20:08, , 18F
可是課堂本來就不太會鑽實作的細節吧,除非課程本身的目標
02/24 20:08, 18F
→
02/24 20:08, , 19F
就是給已經對理論有一定理解的"xxx實務探討"這類課
02/24 20:08, 19F
→
02/24 20:10, , 20F
我個人觀點也是算法理解了實作不會有什麼問題,實作問題
02/24 20:10, 20F
→
02/24 20:11, , 21F
等你到了optimize這階段再來探討吧
02/24 20:11, 21F
推
02/24 21:06, , 22F
ML的實做要先有一定的optimization基礎
02/24 21:06, 22F
→
02/24 21:06, , 23F
建議可以先從數值計算開始
02/24 21:06, 23F
推
02/24 21:38, , 24F
我也是物理背景做ML 有修過統力和線代機率的基礎的話理論上
02/24 21:38, 24F
→
02/24 21:43, , 25F
可以自學 問題是時間不夠硬上實作的可能性很低
02/24 21:43, 25F
→
02/24 21:48, , 26F
spark有現成的東西可以用 不過我不確定適不適合原po就是了
02/24 21:48, 26F
推
02/24 22:17, , 27F
港大的認知科學就是要實作的哦.
02/24 22:17, 27F
推
02/24 22:21, , 28F
現在才發現原PO的ID很眼熟XD 之前有站內信過，是被你BOSS
02/24 22:21, 28F
→
02/24 22:21, , 29F
打槍了嗎XD
02/24 22:21, 29F
推
02/24 23:00, , 30F
可以到edx udacity coursera之類 看看有沒有相關課程
02/24 23:00, 30F
推
02/24 23:08, , 31F
Coursera上Andrew Ng老師的話，有程式作業可以實作
02/24 23:08, 31F
→
02/24 23:08, , 32F
不會很難，可以了解一些程式optimization的寫法
02/24 23:08, 32F
→
02/24 23:10, , 33F
不過網路上的課程大都是著重在machine learning的演算法
02/24 23:10, 33F
→
02/24 23:10, , 34F
前置作業的feature extraction比較少提到
02/24 23:10, 34F
→
02/24 23:11, , 35F
feature extraction的影響也很大
02/24 23:11, 35F
→
02/24 23:12, , 36F
這個部份可能就要看Computer Vision的書才會比較多內容
02/24 23:12, 36F
→
02/24 23:14, , 37F
Computer Vision: Algorithms and Applications
02/24 23:14, 37F
→
02/24 23:15, , 38F
這本書介紹蠻多常用的feature descriptor
02/24 23:15, 38F
→
02/24 23:15, , 39F
網路上可找到電子檔
02/24 23:15, 39F
→
02/24 23:17, , 40F
要比較快上手的話，可以先實作一些簡單的圖像辨識例子
02/24 23:17, 40F
→
02/24 23:18, , 41F
例如說：HOG+SVM的分類方法
02/24 23:18, 41F
→
02/24 23:18, , 42F
很容易找到source code，也有完整的理論及實作教學
02/24 23:18, 42F
→
02/24 23:19, , 43F
會使用簡單的做法之後，再分別從feature extraction
02/24 23:19, 43F
→
02/24 23:20, , 44F
及machine learning演算法這兩方面修改及加強
02/24 23:20, 44F
→
02/24 23:21, , 45F
不過一個人要做這兩個部分，除非有基礎在
02/24 23:21, 45F
→
02/24 23:21, , 46F
不然真的是蠻困難的
02/24 23:21, 46F
推
02/25 05:40, , 47F
大家未免也想得太複雜了 既然是做影像 那就把openCV
02/25 05:40, 47F
→
02/25 05:41, , 48F
拿來套一套 每個看起來有用的函數都試一下 有時候就
02/25 05:41, 48F
→
02/25 05:42, , 49F
弄出不錯的結果了 如果不滿意再往更專業的套件邁進~
02/25 05:42, 49F
→
02/25 05:44, , 50F
背後的理論可以慢慢學 其實搞太深奧的東西還可能會被
02/25 05:44, 50F
→
02/25 05:45, , 51F
質疑為什麼不用常見的算法
02/25 05:45, 51F
→
02/25 05:46, , 52F
feature炫曲是最重要的部分沒錯 而決定哪些feature好
02/25 05:46, 52F
→
02/25 05:46, , 53F
用事看你對手上資料的了解 machine learning只是最後
02/25 05:46, 53F
→
02/25 05:48, , 54F
一步 把feature變成預測值 這部分絕大多數還是靠第三
02/25 05:48, 54F
→
02/25 05:48, , 55F
套件來做的
02/25 05:48, 55F
→
02/25 05:50, , 56F
例如現在第一步你要從圖片中找出好feature那其實靠的
02/25 05:50, 56F
→
02/25 05:51, , 57F
是對影像理論的了解 而不是machine learning本身
02/25 05:51, 57F
→
02/25 05:51, , 58F
而關於影像的理論 例如色彩學 傅立葉分析 搞不好就是
02/25 05:51, 58F
→
02/25 05:52, , 59F
你以前念物理就學過的~
02/25 05:52, 59F
推
02/25 07:37, , 60F
你的重點在應用 除非萬不得已不然不需要浪費時間自己
02/25 07:37, 60F
→
02/25 07:37, , 61F
刻 scikit-learn之類的library拿來套套看
02/25 07:37, 61F
推
02/25 07:40, , 62F
一方面經驗不夠的狀況下寫出來通常就是比別人寫好的不
02/25 07:40, 62F
→
02/25 07:40, , 63F
準，跑起來又比較慢
02/25 07:40, 63F
推
02/25 22:15, , 64F
機器學習年薪這麼高喔@@我畢業的時候怎麼都找不到QQ
02/25 22:15, 64F
推
02/26 01:25, , 65F
近幾年影像辨識deep learning是顯學，但完全沒ML基礎
02/26 01:25, 65F
→
02/26 01:25, , 66F
要搞懂可能沒這麼簡單...有興趣或許可以去github上找
02/26 01:25, 66F
→
02/26 01:25, , 67F
caffe和相關的source來看
02/26 01:25, 67F
推
02/26 15:28, , 68F
我覺得你自己學起來之後跳槽絕對是超好選擇
02/26 15:28, 68F
→
02/26 15:28, , 69F
既然公司都讓你自學了你就學吧不要急著跳XD
02/26 15:28, 69F
→
02/26 15:29, , 70F
林軒田的課程我覺得蠻硬 而且你還是要自己刻演算法
02/26 15:29, 70F
→
02/26 15:30, , 71F
跑scikit-learn然後裡面的演算法記得都會有論文來源
02/26 15:30, 71F
→
02/26 15:31, , 72F
都看完應該就會很強...如果都看完的話XD
02/26 15:31, 72F
推
02/26 15:34, , 73F
還有去參加每週MLDM聚會找那邊的神人問應該也是選擇XD
02/26 15:34, 73F
推
02/27 10:59, , 74F
至少要ㄧ年！影像基礎開始！data patern！去買影像聖經
02/27 10:59, 74F
‣ 更多 raydo 的文章
文章代碼(AID): #1Kwxo1uJ (Soft_Job)