作者isaacting (2312312)
看板Soft_Job
标题Re: 本来学ML是该转路还是继续钻研
时间Thu Mar 11 14:02:25 2021
※ 引述《ckrmpuhv (阿瓜)》之铭言：
: 各位板上大大好
: 小弟是後段国立科大资管硕即将毕业
^^^^^^^^^^^^^^^^^
恩..."後段国立科大资管"，好一点的公司可能连HR那关都过不了
: 因为一些私人原因是不用当兵
: 所以论文完成後准备开始找工作
: 目前程度：
: 大学学过JAVA
^^^^^^^^^^^^^^^
要走ML，应该是要用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的底层，那就应该要会c++跟cuda或是opencl之类的
: 网页跟资料库也只有课堂学习过没实际做小专案
: 因为对Ml有兴趣
: 在硕阶段期间 都是自学ML相关
: 听过李宏毅老师的课
: 实作过他课程的作业
: Keras的一些神经网路搭建也没舍问题
: Kaggle只参加过一两次 排名都很烂
: 大部分的实作和论文都是跟影像辨识相关
: 最近看板上大大各式各样建议
: 非四大四中 也不是kaggle的佼佼者
: 数学方面 线代没学 统计学大学学过但也不熟
: 看完觉得自己很烂出去可能没人要？
理论不行，直接自爆
但我想问一下，你是否有能力可以去推导back propagation?
或是可以用数学理解为何inception net 比 VGG16好
那甚麽是 L1 L2 constrain?
牛顿法跟gradient descent有甚麽关系勒?
你说你的论文是跟影像有关的，那懂不懂傅立叶转换阿?
: 目前都还在做ml各种模型实作
: 但看完板上很迷茫要往哪些方向学习怕找不到工作非常忧郁
: 我不清楚该横向发展拓别的领域
: 像是网页、App 自己做一些小专案增加作品集
: 还是去补数学 更深入研究Ml
: 又或者先去刷Leetcode打底
: 还请各位大大指教 谢谢
: -----
: Sent from JPTT on my iPhone
我自己也不是ML专业，也算是半路出家的，那因为要把ML放在MCU上，
所以去看了很多ML的paper跟文章。
ML的水很深，如果数学不行，就一定要把数学补起来，要不然人家面试问一下，
就真的倒在那边惹。(请注意喔，我上面的问题都还只是基本题中的基本喔)
我曾经在一篇文章讲过，用Keras把一个常见的模型跑起来，这个请个工读生
都可以做到的事情，没有必要花钱请一位工程师来做。
但是我可以告诉我主管 ，为什麽要这样做，Learning rate要怎麽设定会比较让
模型快速收敛，这才是我的价值。
喔~~对了，我还只是个韧体工程师喔，我的专业还是在韧体上开发演算法喔
在台湾做ML的大致上有两种(这也是我专门做ML的学弟跟我讲的)ㄎㄎ：
有问题的话也请做ML的专业大大更正
1. 拿现成的model去做 transfer learning或是改善pre-processing的方法，让图片
或是资料更容易让model收敛。
很多公司都是要有马上的功效，若是重新建立一个新的架构，那要花多少时间去
fine tune?然後要收集多少的资料去最佳化weighting?
听说连发哥都没在做这种事情，那就更不用期待其他一些小公司有办法去支持这样的
开发案。
2. 把现有的ML 模型缩小，然後可以放在嵌入式系统上。
这就跟我现在在弄的案子比较有关连，确实会需要ML的工程师，不过该工程师
最好也得知道一点嵌入式系统，这样在执行专案上会比较有帮助。
如果真的要走ML，就请把线性代数跟统计补齐，因为deep learning只是ML中的一部分
如果可以用比较传统的方法就可以解决的问题，为何一定要用deep learning????
如果发现自己的数学不行，那就赶快尽早转行。
真心不骗......
顺带一提，其实外商比较不太重视学历，但很重视英文，所以英文也是一项重要的技能
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 59.124.168.123 (台湾)
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1615442547.A.5D6.html
1F：推 ss8651twtw: 推 03/11 14:05
2F：推 tig4605246: 推这篇，我不是ML专业但常常看到套模型就说自己会ML的 03/11 14:05
3F：→ tig4605246: 人… 03/11 14:05
4F：推 mmonkeyboyy: 其实现在有1&2混起来做的 2才是能赚钱的XD 03/11 14:30
5F：→ mmonkeyboyy: 套模型也可以啦 问题是要套对就是了 03/11 14:31
6F：推 ntpuisbest: 借串问一下，我虽然懂那些基本题，可是不太清楚为何 03/11 14:32
7F：→ ntpuisbest: 懂了可以知道怎麽设学习率那一块 03/11 14:32
8F：→ ntpuisbest: 一般来说不就是，太大的数字不行，就换小的试试看吗？ 03/11 14:32
ㄎㄎㄎ
其实也只是跟主管特别强调一下: "我不是只会套模型这样的啦"XD
当然因为主管不懂deep learning，所以听到我这样跟他说，他喔喔喔喔 ~~~果然有价值!!
(这可以算是嘴炮的最佳实证)
当然，我自认为我的程度是还不是很懂ML这块的喔
我只是个半路出家的嵌入式韧体工程师喔
※ 编辑: isaacting (59.124.168.123 台湾), 03/11/2021 14:39:45
9F：推 UNPRO: 推这篇 03/11 14:36
※ 编辑: isaacting (59.124.168.123 台湾), 03/11/2021 14:52:08
10F：推 rereterry: 其实看要走应用还是分析，之後还可以拆分是走纯数据， 03/11 15:51
11F：→ rereterry: 影像，NLP，之後还可以再细分是商品，还是纯模型，这块 03/11 15:51
12F：→ rereterry: 领域现在被架构的还蛮大的，像银行体系也会是一条路啦 03/11 15:51
13F：→ rereterry: ！ 03/11 15:51
14F：推 tay2510: ntp大会有疑问是是正常的 原po的lr的例子有点误导了，实 03/11 16:27
15F：→ tay2510: 务上都是直接用平行框架搭配一些搜寻演算法去找合适的lr 03/11 16:27
16F：→ tay2510: ，但我同意跟主管解释为什麽那个部份 03/11 16:27
没错，譬如说Adagrad，这种东西在tensorflow 不用自己去code
但我当初就是跟主管报告甚麽是Adagrad，以及为什麽要用Adagrad
然後主管就: 喔! 赞~~虽然听不懂, 但感觉很厉害，然後考绩就香惹
大guy4这样
ML面试的问题千变万化 ，也有可能面试者直接问甚麽是Adagrad阿 ?
那为何用Adagrad效果不错?
所以我是觉得把ML的基本理论都弄懂是绝对重要的
17F：推 hegemon: 香港某个女网红也说自己在搞ML, 就套套别人的工具月薪就 03/11 16:30
18F：→ hegemon: 不少了 03/11 16:30
19F：推 ntpuisbest: 原来如此 03/11 16:32
20F：推 cuteSquirrel: 真好 03/11 16:53
※ 编辑: isaacting (59.124.168.123 台湾), 03/11/2021 17:12:53
※ 编辑: isaacting (59.124.168.123 台湾), 03/11/2021 17:21:41
21F：推 CaptPlanet: 推 现在ML神棍真的多 03/11 18:38
22F：推 luweber88: (学生浅见)资料工程师通常都会先用传统ML方法试试看吧 03/11 18:39
23F：→ luweber88: ？像RandomForest等方法，若演算法效率不好应该先回头 03/11 18:39
24F：→ luweber88: 从Data Level检视/处理，用DL怒train一发通常都是最後 03/11 18:39
25F：→ luweber88: 选项？ 03/11 18:39
26F：推 drajan: 先弄出一个可以上线的稳定系统是最难的 挑选model往往是 03/11 18:48
27F：→ drajan: 比较容易的部分 大部分都会建议用最简单的方式去做 03/11 18:49
28F：→ drajan: 因为光是最简单的方式就可以搞死你了 03/11 18:49
29F：嘘 MoonCode: 数学不好或是没精通原理的人都不用上班了 03/11 19:25
30F：→ MoonCode: 懂不懂原理不是重点而是能不能产生价值 03/11 19:27
我其实不太懂你的点 ....原po说kaggle打得很烂 ,然後又不太懂数学, 假若你们公司
需要有即战力的ML工程师,你敢用他吗???????????
我相信kaggle名次很前面的高手,对於小弟所提出的弱炮问题一定是秒杀
31F：推 evan176: 不认同楼上，当你面试碰到会BERT但不知道regression和cla 03/11 19:44
32F：→ evan176: ssification差别的人该怎麽办呢？现在这样的ML大师还不在 03/11 19:44
33F：→ evan176: 少数 03/11 19:44
34F：→ luweber88: 有人会Bert还分不清楚cls/reg哦xdddd 那他transformer 03/11 19:49
35F：→ luweber88: 是白学了？ 03/11 19:49
36F：推 taffy128s: 我记得去年发哥有进CVPR, 这个也算一种吧 03/11 19:50
37F：推 mmonkeyboyy: 。。现在很多是ensembling learning 03/12 01:51
38F：推 mmonkeyboyy: 现在很多资料工程师反而不懂传统都先train一发再说 03/12 01:56
39F：推 iiiii: 直接问不用py，还可以学吗？ 03/12 10:11
资料降维是什麽?
这个做ML的人倘若不知道,基本上应该是.....呵呵又颗颗
PCA是很常见资料降维的手法之一
这在线性代数里面是很基本的内容,原po没有念过线性代数,我会很怀疑
原po处理资料的能力在哪里
※ 编辑: isaacting (49.216.70.16 台湾), 03/12/2021 10:33:37
40F：推 cuteSquirrel: 主成分分析和feature engineering 03/12 11:45
41F：推 exthrash: 现在没什麽人在用PCA吧 03/12 12:18
42F：推 mmonkeyboyy: 还是六种还是七种方式中的主流吧@_@~ 03/12 13:15
43F：→ mmonkeyboyy: 不用py 可以学darknet哦 03/12 13:16
44F：→ mmonkeyboyy: 不过现在想做好未来一点的大概要做GDL了 03/12 13:17
45F：推 pot1234: 偷问一下 印象中影像的DL也满多不傅立叶转换直接做的吧 03/12 22:31
46F：→ loadingN: 肥宅会fft能加分吗 03/12 22:38
47F：推 shownlin: 做ML线代统计重要性没那麽大啦，模型performance好才是 03/12 23:37
48F：→ shownlin: 真的 03/12 23:37
49F：→ mmonkeyboyy: 线代统计我是觉得也要啦 但就看不懂再去念也行 03/13 01:54
50F：嘘 MoonCode: 03/13 09:45
51F：→ caseypie: back propagation这种大一微积分就教的东西有什麽好嘴的 03/16 23:18
52F：→ j0958322080: 楼上天真了，很多人无法手算出来的 03/17 08:47
53F：→ answerseeker: 都哪年了还在VGG16...都快跟SIFT一样古董了 03/18 12:41
54F：推 meRscliche: 推 03/19 00:03