Re: 本來學ML是該轉路還是繼續鑽研

看板Soft_Job作者 (2312312)時間3年前 (2021/03/11 14:02), 3年前編輯推噓21(23推 2噓 25→)
留言50則, 20人參與, 3年前最新討論串2/9 (看更多)
※ 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 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 59.124.168.123 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1615442547.A.5D6.html
推
03/11 14:05, 3年前 , 1F
推
03/11 14:05, 1F
推
03/11 14:05, 3年前 , 2F
推這篇，我不是ML專業但常常看到套模型就說自己會ML的
03/11 14:05, 2F
→
03/11 14:05, 3年前 , 3F
人…
03/11 14:05, 3F
推
03/11 14:30, 3年前 , 4F
其實現在有1&2混起來做的 2才是能賺錢的XD
03/11 14:30, 4F
→
03/11 14:31, 3年前 , 5F
套模型也可以啦 問題是要套對就是了
03/11 14:31, 5F
推
03/11 14:32, 3年前 , 6F
借串問一下，我雖然懂那些基本題，可是不太清楚為何
03/11 14:32, 6F
→
03/11 14:32, 3年前 , 7F
懂了可以知道怎麼設學習率那一塊
03/11 14:32, 7F
→
03/11 14:32, 3年前 , 8F
一般來說不就是，太大的數字不行，就換小的試試看嗎？
03/11 14:32, 8F
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 ※ 編輯: isaacting (59.124.168.123 臺灣), 03/11/2021 14:39:45
推
03/11 14:36, 3年前 , 9F
推這篇
03/11 14:36, 9F
※ 編輯: isaacting (59.124.168.123 臺灣), 03/11/2021 14:52:08
推
03/11 15:51, 3年前 , 10F
其實看要走應用還是分析，之後還可以拆分是走純數據，
03/11 15:51, 10F
→
03/11 15:51, 3年前 , 11F
影像，NLP，之後還可以再細分是商品，還是純模型，這塊
03/11 15:51, 11F
→
03/11 15:51, 3年前 , 12F
領域現在被架構的還蠻大的，像銀行體系也會是一條路啦
03/11 15:51, 12F
→
03/11 15:51, 3年前 , 13F
！
03/11 15:51, 13F
推
03/11 16:27, 3年前 , 14F
ntp大會有疑問是是正常的 原po的lr的例子有點誤導了，實
03/11 16:27, 14F
→
03/11 16:27, 3年前 , 15F
務上都是直接用平行框架搭配一些搜尋演算法去找合適的lr
03/11 16:27, 15F
→
03/11 16:27, 3年前 , 16F
，但我同意跟主管解釋為什麼那個部份
03/11 16:27, 16F
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
推
03/11 16:30, 3年前 , 17F
香港某個女網紅也說自己在搞ML, 就套套別人的工具月薪就
03/11 16:30, 17F
→
03/11 16:30, 3年前 , 18F
不少了
03/11 16:30, 18F
推
03/11 16:32, 3年前 , 19F
原來如此
03/11 16:32, 19F
推
03/11 16:53, 3年前 , 20F
真好
03/11 16:53, 20F
※ 編輯: isaacting (59.124.168.123 臺灣), 03/11/2021 17:12:53 ※ 編輯: isaacting (59.124.168.123 臺灣), 03/11/2021 17:21:41
推
03/11 18:38, 3年前 , 21F
推 現在ML神棍真的多
03/11 18:38, 21F
推
03/11 18:39, 3年前 , 22F
(學生淺見)資料工程師通常都會先用傳統ML方法試試看吧
03/11 18:39, 22F
→
03/11 18:39, 3年前 , 23F
？像RandomForest等方法，若演算法效率不好應該先回頭
03/11 18:39, 23F
→
03/11 18:39, 3年前 , 24F
從Data Level檢視/處理，用DL怒train一發通常都是最後
03/11 18:39, 24F
→
03/11 18:39, 3年前 , 25F
選項？
03/11 18:39, 25F
推
03/11 18:48, 3年前 , 26F
先弄出一個可以上線的穩定系統是最難的 挑選model往往是
03/11 18:48, 26F
→
03/11 18:49, 3年前 , 27F
比較容易的部分 大部分都會建議用最簡單的方式去做
03/11 18:49, 27F
→
03/11 18:49, 3年前 , 28F
因為光是最簡單的方式就可以搞死你了
03/11 18:49, 28F
噓
03/11 19:25, 3年前 , 29F
數學不好或是沒精通原理的人都不用上班了
03/11 19:25, 29F
→
03/11 19:27, 3年前 , 30F
懂不懂原理不是重點而是能不能產生價值
03/11 19:27, 30F
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
推
03/11 19:44, 3年前 , 31F
不認同樓上，當你面試碰到會BERT但不知道regression和cla
03/11 19:44, 31F
→
03/11 19:44, 3年前 , 32F
ssification差別的人該怎麼辦呢？現在這樣的ML大師還不在
03/11 19:44, 32F
→
03/11 19:44, 3年前 , 33F
少數
03/11 19:44, 33F
→
03/11 19:49, 3年前 , 34F
有人會Bert還分不清楚cls/reg哦xdddd 那他transformer
03/11 19:49, 34F
→
03/11 19:49, 3年前 , 35F
是白學了？
03/11 19:49, 35F
推
03/11 19:50, 3年前 , 36F
我記得去年發哥有進CVPR, 這個也算一種吧
03/11 19:50, 36F
推
03/12 01:51, 3年前 , 37F
。。現在很多是ensembling learning
03/12 01:51, 37F
推
03/12 01:56, 3年前 , 38F
現在很多資料工程師反而不懂傳統都先train一發再說
03/12 01:56, 38F
推
03/12 10:11, 3年前 , 39F
直接問不用py，還可以學嗎？
03/12 10:11, 39F
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 ※ 編輯: isaacting (49.216.70.16 臺灣), 03/12/2021 10:33:37
推
03/12 11:45, 3年前 , 40F
主成分分析和feature engineering
03/12 11:45, 40F
推
03/12 12:18, 3年前 , 41F
現在沒什麼人在用PCA吧
03/12 12:18, 41F
推
03/12 13:15, 3年前 , 42F
還是六種還是七種方式中的主流吧@_@~
03/12 13:15, 42F
→
03/12 13:16, 3年前 , 43F
不用py 可以學darknet哦
03/12 13:16, 43F
→
03/12 13:17, 3年前 , 44F
不過現在想做好未來一點的大概要做GDL了
03/12 13:17, 44F
推
03/12 22:31, 3年前 , 45F
偷問一下 印象中影像的DL也滿多不傅立葉轉換直接做的吧
03/12 22:31, 45F
→
03/12 22:38, 3年前 , 46F
肥宅會fft能加分嗎
03/12 22:38, 46F
推
03/12 23:37, 3年前 , 47F
做ML線代統計重要性沒那麼大啦，模型performance好才是
03/12 23:37, 47F
→
03/12 23:37, 3年前 , 48F
真的
03/12 23:37, 48F
→
03/13 01:54, 3年前 , 49F
線代統計我是覺得也要啦 但就看不懂再去念也行
03/13 01:54, 49F
噓
03/13 09:45, 3年前 , 50F
03/13 09:45, 50F
‣ 更多 isaacting 的文章
文章代碼(AID): #1WIR9pNM (Soft_Job)
討論串 (同標題文章)
本文引述了以下文章的的內容：
完整討論串 (本文為第 2 之 9 篇)：
排序： 最舊先 | 最新先 | 留言數
在新視窗開啟完整討論串 (共9篇)
‣ 更多 isaacting 的文章
文章代碼(AID): #1WIR9pNM (Soft_Job)