我想就原po的問題做一些分享，不能說絕對正確， 至少是我轉進資工三年來的心得， 原po的問題是，一個沒有程式和資工基礎的人，是否有辦法轉進機器學習的領域？ 這個問題其實很大很難回答，首先，機器學習這個詞現在是很廣泛的， 凡是有用到一些類似的演算法，不管再電腦視覺、人工智慧、自然語言處理等等， 其實都可以歸到機器學習的範疇，問題是，你到底對哪個有興趣？ 接下來的討論就學術的領域回答，因為我不知道工業領域的可能性： （1）我可能對很多都有興趣，反正以後再轉就好啦 Ans:錯。 一旦你進了實驗室，你大半的實驗方向其實就決定了，舉例來說， 我進了電腦視覺的實驗室，你就不能去做自然語言的東西啦，除非你轉實驗室。 所以你必須先清楚自己到底對哪種有興趣才是最重要的。 （2）可是我又還沒有進實驗室，我哪知道？ Ans:錯。 你當然可以進實驗室再找方向，但是這真的很冒險，尤其是你事先離職進入一個 未知的領域，我建議你先看一些top conference，看一些paper讓你有些感覺， 你真的對某一方面有很濃厚的興趣，你再去深入考慮要不要進去這領域。 舉例：電腦視覺有CVPR,ECCV,ICCV，人工智慧有AAAI等等（我只看電腦視覺的）。 （3）好吧，那假設我想走電腦視覺這樣算決定題目了嗎？ Ans:還是不行。 光是電腦視覺裡面還有好幾個子項目，classification,recoginition,image matching 很多東西可以跟類似的演算法結合，但是差異真的很大，你必須了解每個子項目 的優勢和缺點，你才有可能做的好，不然你會痛苦很久，通常了解一個子項目， 我會建議你花一年的時間實作一些open source的程式，假設今年是2016， 你最好把2015的每種最好的方法至少有辦法做出兩三種來，不然你無法比較。 （4）可是我只是想踏入這個領域，有必要要求這麼高嗎？ Ans:有。 一旦你踏入了某某資工系，或某某學術機構，你想做類似ML的研究，除非你是一開始 就想走創業這條路，不然你大概就是學術研究優先，如果你要學術研究， 你的目標就是打敗現今最強的方法，才有可能發paper（有用的paper）， 如果你只是想要隨便發一篇碩士論文，隨便畢業一下去上班，那我不建議你這樣走。 但是當然，沒有開始了解就沒有結果，沒有接觸也沒有感觸，所以這也只是建議而已。 （5）好吧，所以你還是沒回答我轉進去是不是可行的？ Ans:可以的。 因為我是物理系的，博士班才轉進去，我同實驗室的各種電機系、半導體和寫網頁的， 其實和ML沒半點關係，大家即使進去了，其實也會卡住很久，卡住幾個月或幾年這 是看你的努力程度和資質，並不是說有程式背景就會一帆風順，重要的還是你的動機， 足不足夠讓你撐到你發達的那天（發paper的那天）。 （6）那我需要先學好什麼程式嗎？ Ans:yes and no. 你不應該預設你自己該學什麼程式，因為你會需要學很多種（掩面），特別是不同領域 習慣使用的程式也差很多，我舉個例子來說，你應該有聽過深度學習(deep learning)， 你知道光是深度學習的套件大概就有六七種之多，你知道光是電腦視覺之中，每種子項目 所使用的套件就有嚴重的不同，簡單來說，一旦以前的人用了某種套件，你最好能夠 跟他比較，那你就最好學會這種套件，而學會一種，都要花上很多很多的時間， 所以回過頭來，我還是先建議你先決定你到底真正對哪種領域的哪個子項目有興趣， 才是最重要的。 可能有些人會跟你說，『只要你精通某種程式，你就可以寫出天下所有演算法。』 理想上來說是這樣沒錯，但是實際上我認為是浪費時間，因為學術研究上， 你會發現很多人的演算法，你是極為難以複製的，簡單來說，你最好使用他提供的 程式，不然你重新做出來的東西效能可能沒有人家report的十分之一，而這不是因為他的 方法錯了，是因為你程式做錯了（當然也有可能是因為他paper說謊，不過通常是 寫錯了），如果你是對ML本身有興趣而不是程式優化，你不該太執著於自己把某種方法 做出來，因為通常是做不到的（而通常有人會誤解這是自己程式基礎不夠）。 （7）那我到底應該先會什麼？ Ans:Google。 這點我真的完全沒有在開玩笑，基本上你只要有一台電腦，可以google，可以拿到那些 paper，你就可以開始做研究了。因為我剛剛提到的每一點，都可以從搜尋開始， 你可以搜尋那些大領域、子項目、paper、最新的code，你通通拿的到，只是可能你不 知道其實現在的網路如此強大，還有你可能沒有一些一起研究的同學之類的。你可能 不知道一些專有名詞如何去搜尋，可能你也不知道要先去找引用citation最多的paper， 有些東西的確需要老師，有些也許需要學校，但是你最需要的其實是google， 舉例來說，你想知道什麼是PCA，你可以去翻課本，去上數學課，你也可以去google找 到一篇中國人寫的blog然後用一個小時弄懂順便把他的code拿來實作一下，（為什麼 是中國人是因為他們寫blog分享研究的風氣很盛行，你甚至不太需要懂英文）。 （8）我什麼時候才知道我具備這些能力了？ Ans:Related work。 你看paper的related work的時候，你已經知道作者會講某些方法，而這些方法 你都大概知道做什麼了，而且你知道彼此的優劣，你就具備了研究的能力了。 （9）那我該怎麼開始？ Ans:開始看paper。 只有開始看，你才有機會去碰到我剛剛說的每一項問題，你才知道原來自己是做不出 來某些paper上面根本沒有提過，但是他們放出來的code裡面卻有的細節， 你才知道某些paper是bull shit，某些是瑰寶，你的心裡應該要記得某些打動你 心的paper，如果你對某些work有深深的敬畏，你就知道你其實適合做研究了， 至於是不是ML，是哪種ML，我覺得還是先看paper之後你才知道。 （10）那考試呢？ Ans:蒐集資料。 基本上台大博士班的考試，期中或是資格考，還是一個蒐集資料的過程，簡單來說 就是考古題，我和我同學都認為蒐集完這個資料能讓我考試準備的過程越短越好， 為什麼？因為我們想要做研究，考試是浪費時間但是又不得不考。你可能會問， 申請碩士或博士的考試呢？我認為最好的方法就是不考試，所以你應該先去找個 老師，用研究助理的方法直接進去研究（我們很多同學都無背景），然後申請學校 的時候最好有老師的推薦信，這樣口試委員基本上就讓你過了（真的），如果 你可能沒辦法這樣，那你可能會需要筆試，就硬著頭皮去做吧，但是你要知道， 真正重要的開始是你開始看paper研究，開始真正的去想、思考、實作， 而不是說你辭職想考資工系叫做開始。 祝 萬事順利 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.112.16.132 ※ 文章網址: https://webptt.com/m.aspx?n=bbs/Soft_Job/M.1463122908.A.F91.html ※ 編輯: narwhalgary (140.112.16.132), 05/13/2016 15:12:18 ※ 編輯: narwhalgary (140.112.16.132), 05/13/2016 15:13:07