上次发文後，有些版友寄信问了些问题 大多数问题是重复的，所以就再分享一下好了 不过在讲之前要先说，我本身并没有非常的资深 讲的不一定是对的，主要都还是我个人工作上主观的感受 1. 做AI相关数学一定要很好吗? 数学好不好很难定义，但是以工作上来说 会需要的能力是：把数学公式转成程式码的能力 你不需要像论文一样，完全理解证明的过程，但是要有能力把它实做出来 比方说，像是SELU的证明过程长达80页，有多少人能真的看懂? 可是工作上你只需要知道怎麽实做SELU出来就可以了 2. AI主要工作再干嘛? 这个就看每个公司不同而有差，以我自己为例 一半的时间整理资料，一半时间调整模型架构与参数 资料会需要讨论怎麽蒐集、如何标注、怎麽做正规化、如何做扩增...等等前置工作 往往资料准备的好，事情大概就结束一半了 有些特殊情况，像是无法标注或是资料极少 就需要用到像是unsupervised learning 或是 one-shot learning 技术 另一半的时间，会根据需求去调整架构以及调整参数 这就会仰赖你看的论文的广度，从中挑选出适合或混用网路架构 至於调参就很吃经验，除了参考论文的参数设置 自己做久了也会知道一些神奇的参数XD 而这往往也是新手跟老手的差距 3. 面试官会期望看到什麽? 我自己在面试人时，会用以下的评分机制，好让我快速挑选要邀请的对象 相关学历+1 发表相关论文+2 相关工作经验+2 github有相关作品+2 kaggle比赛经验+4 通常有4~5分我就会邀请来面试，当然这分数只是参考 并不一定每次都会这样筛选，像是kaggle比赛有master，就不会去看其他条件 这边提一下为什麽我很看重kaggle或是其他比赛的经验 我自己在比kaggle时，往往会花很多的时间认识资料 对资料理解的好，才会做出合适的前处理与资料扩增 资料的形式也会影响到模型的架构 所以要看懂资料才能选出合适的架构 过程中，也会体验到调参的各种痛苦与绝望 (? 而且比赛也很考验有没有好好避免模型overfitting 排行榜上就常常看到很多人在最後成绩公布时大翻车 其实就是严重的overfitting kaggle 好好从头到尾把解问题的流程都考验了一轮 这对在解工作上的需求时，会十分的有帮助 以上大概就这些 相信最近有在找AI相关工作的应该会感觉到竞争非常的激烈 要从中脱颖而出并得到工作机会，多准备一些总是好的 如果有想到什麽就在补充 就这样 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 61.231.242.215 (台湾) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1604066252.A.33D.html 如果只是抄别人的，是很难打进银/金牌区的，毕竟又不是只有你会抄 再退一步说，没有料的人面试时问细一点就破功了 如果一个人kaggle有master级，而学历只有高中毕业 我一样是会邀请来面试的 kaggle好不好玩并不是我的重点阿XD 重点是参赛过的人，多少会学到一些东西 就算没得奖也没关系，享受那个过程很重要 除了kaggle以外，以影像来说NTIRE比赛也是可以去试试的 ※ 编辑: johney719 (61.231.242.215 台湾), 10/31/2020 16:44:11