我想就原po的问题做一些分享，不能说绝对正确， 至少是我转进资工三年来的心得， 原po的问题是，一个没有程式和资工基础的人，是否有办法转进机器学习的领域？ 这个问题其实很大很难回答，首先，机器学习这个词现在是很广泛的， 凡是有用到一些类似的演算法，不管再电脑视觉、人工智慧、自然语言处理等等， 其实都可以归到机器学习的范畴，问题是，你到底对哪个有兴趣？ 接下来的讨论就学术的领域回答，因为我不知道工业领域的可能性： （1）我可能对很多都有兴趣，反正以後再转就好啦 Ans:错。 一旦你进了实验室，你大半的实验方向其实就决定了，举例来说， 我进了电脑视觉的实验室，你就不能去做自然语言的东西啦，除非你转实验室。 所以你必须先清楚自己到底对哪种有兴趣才是最重要的。 （2）可是我又还没有进实验室，我哪知道？ Ans:错。 你当然可以进实验室再找方向，但是这真的很冒险，尤其是你事先离职进入一个 未知的领域，我建议你先看一些top conference，看一些paper让你有些感觉， 你真的对某一方面有很浓厚的兴趣，你再去深入考虑要不要进去这领域。 举例：电脑视觉有CVPR,ECCV,ICCV，人工智慧有AAAI等等（我只看电脑视觉的）。 （3）好吧，那假设我想走电脑视觉这样算决定题目了吗？ Ans:还是不行。 光是电脑视觉里面还有好几个子项目，classification,recoginition,image matching 很多东西可以跟类似的演算法结合，但是差异真的很大，你必须了解每个子项目 的优势和缺点，你才有可能做的好，不然你会痛苦很久，通常了解一个子项目， 我会建议你花一年的时间实作一些open source的程式，假设今年是2016， 你最好把2015的每种最好的方法至少有办法做出两三种来，不然你无法比较。 （4）可是我只是想踏入这个领域，有必要要求这麽高吗？ Ans:有。 一旦你踏入了某某资工系，或某某学术机构，你想做类似ML的研究，除非你是一开始 就想走创业这条路，不然你大概就是学术研究优先，如果你要学术研究， 你的目标就是打败现今最强的方法，才有可能发paper（有用的paper）， 如果你只是想要随便发一篇硕士论文，随便毕业一下去上班，那我不建议你这样走。 但是当然，没有开始了解就没有结果，没有接触也没有感触，所以这也只是建议而已。 （5）好吧，所以你还是没回答我转进去是不是可行的？ Ans:可以的。 因为我是物理系的，博士班才转进去，我同实验室的各种电机系、半导体和写网页的， 其实和ML没半点关系，大家即使进去了，其实也会卡住很久，卡住几个月或几年这 是看你的努力程度和资质，并不是说有程式背景就会一帆风顺，重要的还是你的动机， 足不足够让你撑到你发达的那天（发paper的那天）。 （6）那我需要先学好什麽程式吗？ Ans:yes and no. 你不应该预设你自己该学什麽程式，因为你会需要学很多种（掩面），特别是不同领域 习惯使用的程式也差很多，我举个例子来说，你应该有听过深度学习(deep learning)， 你知道光是深度学习的套件大概就有六七种之多，你知道光是电脑视觉之中，每种子项目 所使用的套件就有严重的不同，简单来说，一旦以前的人用了某种套件，你最好能够 跟他比较，那你就最好学会这种套件，而学会一种，都要花上很多很多的时间， 所以回过头来，我还是先建议你先决定你到底真正对哪种领域的哪个子项目有兴趣， 才是最重要的。 可能有些人会跟你说，『只要你精通某种程式，你就可以写出天下所有演算法。』 理想上来说是这样没错，但是实际上我认为是浪费时间，因为学术研究上， 你会发现很多人的演算法，你是极为难以复制的，简单来说，你最好使用他提供的 程式，不然你重新做出来的东西效能可能没有人家report的十分之一，而这不是因为他的 方法错了，是因为你程式做错了（当然也有可能是因为他paper说谎，不过通常是 写错了），如果你是对ML本身有兴趣而不是程式优化，你不该太执着於自己把某种方法 做出来，因为通常是做不到的（而通常有人会误解这是自己程式基础不够）。 （7）那我到底应该先会什麽？ Ans:Google。 这点我真的完全没有在开玩笑，基本上你只要有一台电脑，可以google，可以拿到那些 paper，你就可以开始做研究了。因为我刚刚提到的每一点，都可以从搜寻开始， 你可以搜寻那些大领域、子项目、paper、最新的code，你通通拿的到，只是可能你不 知道其实现在的网路如此强大，还有你可能没有一些一起研究的同学之类的。你可能 不知道一些专有名词如何去搜寻，可能你也不知道要先去找引用citation最多的paper， 有些东西的确需要老师，有些也许需要学校，但是你最需要的其实是google， 举例来说，你想知道什麽是PCA，你可以去翻课本，去上数学课，你也可以去google找 到一篇中国人写的blog然後用一个小时弄懂顺便把他的code拿来实作一下，（为什麽 是中国人是因为他们写blog分享研究的风气很盛行，你甚至不太需要懂英文）。 （8）我什麽时候才知道我具备这些能力了？ Ans:Related work。 你看paper的related work的时候，你已经知道作者会讲某些方法，而这些方法 你都大概知道做什麽了，而且你知道彼此的优劣，你就具备了研究的能力了。 （9）那我该怎麽开始？ Ans:开始看paper。 只有开始看，你才有机会去碰到我刚刚说的每一项问题，你才知道原来自己是做不出 来某些paper上面根本没有提过，但是他们放出来的code里面却有的细节， 你才知道某些paper是bull shit，某些是瑰宝，你的心里应该要记得某些打动你 心的paper，如果你对某些work有深深的敬畏，你就知道你其实适合做研究了， 至於是不是ML，是哪种ML，我觉得还是先看paper之後你才知道。 （10）那考试呢？ Ans:蒐集资料。 基本上台大博士班的考试，期中或是资格考，还是一个蒐集资料的过程，简单来说 就是考古题，我和我同学都认为蒐集完这个资料能让我考试准备的过程越短越好， 为什麽？因为我们想要做研究，考试是浪费时间但是又不得不考。你可能会问， 申请硕士或博士的考试呢？我认为最好的方法就是不考试，所以你应该先去找个 老师，用研究助理的方法直接进去研究（我们很多同学都无背景），然後申请学校 的时候最好有老师的推荐信，这样口试委员基本上就让你过了（真的），如果 你可能没办法这样，那你可能会需要笔试，就硬着头皮去做吧，但是你要知道， 真正重要的开始是你开始看paper研究，开始真正的去想、思考、实作， 而不是说你辞职想考资工系叫做开始。 祝 万事顺利 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 140.112.16.132 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1463122908.A.F91.html ※ 编辑: narwhalgary (140.112.16.132), 05/13/2016 15:12:18 ※ 编辑: narwhalgary (140.112.16.132), 05/13/2016 15:13:07