小弟我自学AI大约三年 虽然本身有硕士学历 但是基本上跟machine learning完全无关 所以应该还是可以分享一些东西 1.是否要念硕士? 如果经济许可的话，建议就是直接走ML相关领域的硕士， 因为目前走AI这行就是要大量看论文， 即便没有要念硕士，你始终逃避不了念论文 再者，你的毕业论文就会是你的第一个作品 好的论文对有程度的面试官，比程式作品或是比赛经验都还要加分 2.AI方面的作品要怎麽准备? 由於公司的需求，我时常要实作相关的论文以做比较 实作完的东西，我就直接丢到github上 有时会寄信请原作者帮看一下有没有问题 也有人因为逛到我的专案，进而得到一些合作的机会 我认为实做论文是不错的方向 除了论文实做，就是kaggle的比赛 比赛不一定要打到非常前面的名次 比赛完将程式整理好放在github即可，至少证明你是有比赛过的 3.推荐资源 网路上资源非常多，不过我通常都不建议看部落格的东西， 最好就直接看原始的论文或书籍 以初学来说，我会推以下这本 Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow 里面有程式范例，数学的比重没这麽高，一开始会比较有成就感 如果有心要把deep learning的数学搞懂 就好好去研读 Ian Goodfellow 的 Deep Learning Book 以上两本书好好熟读，个人认为就可以打下很好的基础了 再接下来就是主题性的看论文，主题可以先挑有兴趣的下手 比方说 activation function 相关: ReLU、LReLU、PReLU、Swish、h-Swish ...等等 image classification 相关: VGG、ResNet、InceptionNet ...等等 object detection 相关: YOLO、SSD、RCNN ...等等 GAN 相关: DCGAN、WGAN、SNGAN、ProgressGAN、StyleGAN ...等等 还有其他主题像是: super resolution、semantic segmentation、reinforcement learning、 anomaly detection、one-shot learning ...等等一堆讲不完 看完论文後也要去看作者的程式码 因为往往里面还会有很多细节是论文没有讲的 以上只是举个范例，一个主题往往就是会有一拖拉库的论文 我认为看论文就是最好的学习来源，并且整理出一套自己的笔记与心得 最後就是一定要自己看过原始的论文，不要只看别人的部落格解说 往往是看不懂或是一知半解，最糟糕的是得到错误的知识 最後你的问题 作品的注解应该用英文还是中文写较好？ 当然是全英文，不管是作品或是履历，通通就是英文了 如果一间公司看不懂英文而拒绝你，代表这间公司的程度也不过如此 英文是基本要求，对面试者或是公司都一样 ※ 引述《pride829 (竹鼠)》之铭言： : 在这篇文章中 我将data science machine learning及其他相关领域等统称为AI, 因为我不确定将来 : 深入的领域为何 也还不到那个程度 : 大家好 : 我是应届大学毕业生 国立 资讯工程系 但非四大 : 我接触了很久程式 虽然一直在追求如何能够写的更乾净有架构 但是从来没有真正深入的 : 用单一语言做一个大型专案 : 最熟的算是c++吧，其他诸多语言像是php python js java c#...等等也能称得上"会" : 如果用过就算会的话 : 但也仅止於用过而已 我写的程式大多数都很浅 基本上不同语言的差别只有语法不同 翻 : 译之後没有什麽差别 : 现在我要就职 我没有任何的工作经验 作品也很少 我也只知道从就职网站(104 1111之类 : )谋职的方法 : 我注意到市面上有非常多前端工程师的职缺 : 我的选择有二： : 1. 学习一个前端框架 vue angular之类的 做个网页 然後找个前端低薪的工作 : 其实照现在面试的情况 也许不用成品我就能找到这样的工作了 : 或者是2. 我上kaggle学习data science, machine learning等等 等到有成品之後找这方 : 面的工作 : 其实我有兴趣的是人工智慧 前端我一点兴趣都没有 : 但问题是ai的职缺相对少很多 学历要求通常在硕士以上 且我的数学不好 基础也不好 : 我目前自己灌了ubuntu自学, 只知道如何使用python引入DecisionTreeRegressor建立简 : 单的预测,如何处理missing value : 以及大学时候上过课 对於classification clustering这些有基本的认知 : 如此而已 : 我不晓得如果我打定主意朝这方向走 会不会遭遇很大的困难 会不会拖很久才找到工作 : 家里的经济状况还可以 能够让我学习 但我担心没有工作经验的我找不到ai方面的工作 : 但如果我选择前端工作, 那就真的只是为了生活而工作 因为我对它真的没有兴趣 : 如果这样的话 我就打算利用下班时间自学ai 然後之後再找机会跳板 : 但我又担心如果上工 会被占用太多的时间 因此这是一个麻烦的抉择 : 想请教我该如何是好？烦请各位解惑！ : 附上我的github：https://github.com/pride829 : 另外再问个比较不相干的问题: 作品的注解应该用英文还是中文写较好？ : 我能够用英文写没问题 不过我想如果看的人都是台湾人 我在台湾求职 好像不见得会比 : 较好 因此询问 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 114.25.57.64 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1602525356.A.E46.html 个人认为RNN跟GAN是完全不同的东西，没甚麽好比较的 RNN是一种网路架构，适合处理有时序的资料 GAN探讨的是一种训练方式，以网路之间的互相对抗达到更好的结果 RNN跟GAN是可以混用的，比如说: 用RNN产生有时序的拟人声音，加上GAN更可以达到以加乱真的效果 论文要看什麽主题，端看公司的需求以及个人的喜好 但是能多看不同的主题就尽量多看，多吸取知识才是重点 我硕班是本科系，只是当时是做电脑图学相关的 在我自学以前，是对ML一窍不通的，连基本的SVM都不知道 很幸运的是因为公司成立AI相关部门 那时候便与部门主管开始自学AI，後来也顺利解决了公司产品上的老问题 详细薪资不便透漏，第二年之後年薪有超过1M以上 我推的那两本书用来打基础应该就很够了 别小看那两本书，我自己前前後後就花了一年才好好地念完 谈到AI的潜力，其他领域我不敢说，以我熟悉的computer vision来说 原本我们公司是有两个部门CV与AI部门 AI部门接到的专案都是CV部门解到放弃的题目 而这些题目，往往只花了我一个月就得到不错的成绩 甚至很多都端到客户面前做过demo 最後就是连CV部门的人都开始学AI，而且最终两个部门整并在一起变成AI影像部 这样的潜力就不用我多说了吧 ※ 编辑: johney719 (114.25.56.85 台湾), 10/14/2020 14:28:27