作者backprog (back-propagation)
看板Soft_Job
標題Re: [請益] 非cs想走ai領域,投履歷沒公司理
時間Wed Mar 15 16:01:40 2017
※ 引述《zzss2003 (brotherD)》之銘言:
: 各位大大好,小弟第一次在Soft版發文,有觸犯版規煩請提醒。
: 小弟為逢甲EE學逢甲綠能碩,碩士論文是電池電量估測的模型建立,去年九月底畢業。
^^^^^^^^^^^^^^
不好意思,因為這幾個字引起我的興趣,本來說想你應該有點 ML 這方面潛能,
就去看了你的論文。
假如沒錯應該是這篇:
奈米碳電池之電量狀態估測模型
http://handle.ncl.edu.tw/11296/ndltd/26136599142839699129
但是,看了以後發現我太樂觀 XD
不是說你不好,而是你所謂的估測模型建立,是基於對電子電路、電池化學特性的了解。
並不是從大量實驗產生的歷史數據中,規劃一個能自動 fit 歷史資料的模型,
以便找出特定條件下的估測值。
重點根本就不是在你什麼科系畢業,
而是你無法證明自己曾經用過任何一種 ML 或機率統計的方法解決問題。
: 上網看了很多文章才發現,人工智慧下不同的子領域,所要求的能力都不太一樣,比如機
: 器學習的職缺需求,都要有使用過模型(LDA, CNN, LR, DNN, RNN)的經驗;音訊與影像處
你舉的這些,3字元的那種都是比較高大上的模型。
真的想切入,建議不要被職缺需求牽著鼻子走,開需求的主管,自己可能也沒跨過入門,
把簡單的 bayesian, perceptron, linear regression 等學好,就已經能做很多事了。
簡單模型只要用得正確、用得精巧,還是會被高手青睞的。
我聽過一些公司根本沒累積多少資料,也想來個 deep learning,
但是連資料充分前處裡、充分 mining 的能力還都沒具備。
小數據有小數據的作法,現在太多人一味跟風 deep。
用什麼模型,應該先看看手上有什麼資料?想達成什麼目的?
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 220.130.12.62
※ 文章網址: https://webptt.com/m.aspx?n=bbs/Soft_Job/M.1489564902.A.CD2.html
※ 編輯: backprog (220.130.12.62), 03/15/2017 16:07:37
1F:推 cutekid: 推(Y) 03/15 16:08
2F:推 angrybirds11: 好人 03/15 16:16
3F:推 hungys: 03/15 16:37
4F:推 f496328mm: 厲害 還去找PAPER 03/15 16:42
5F:→ f496328mm: 推 deep learning 其實不是萬能 有些用ML就夠了 03/15 16:43
6F:→ f496328mm: 用deep learning反而比較差 03/15 16:43
7F:推 ilovejesus: 強 03/15 16:51
8F:推 touurtn: 根本是大佛來著 03/15 16:54
9F:推 northsoft: 推 03/15 16:54
10F:→ northsoft: 先玩一般統計學再說了 03/15 16:55
11F:推 locklose: 你真是好人 03/15 17:01
12F:推 bab7171: 推 03/15 17:08
13F:推 vn509942: 強 03/15 17:10
14F:推 tipsofwarren: ID 正確! 有開缺請私訊 03/15 17:17
我只是個小員工~ 你怎麼會覺得我能開缺
15F:推 maxqq: 好人無誤 03/15 17:18
16F:推 dojay: 推一個。溫馨。 03/15 17:27
※ 編輯: backprog (220.130.12.62), 03/15/2017 17:41:30
17F:推 Holysml: forward-progate 不重要嗎?XD 03/15 17:51
重要挖,沒有 forward-progate, backward-progate 怎麼會有東西可以計算?
18F:推 SuperCry: 超瞎的 怎麼不再去念一個研究所 03/15 17:54
19F:推 amatt: 有副教授或manager在口試的感覺 03/15 18:30
可能以前在研究室當學長當太久惹~
20F:推 shiauji: 推... 03/15 18:38
21F:推 AvatarH: 好人+中肯. 03/15 19:20
22F:推 johnwater: 溫馨 友善 03/15 19:21
23F:推 rzsty: 推 善心人 03/15 19:28
24F:推 boy955403: 好心人 推推 03/15 19:40
25F:推 fgh81113: 好心人 03/15 19:55
26F:推 h5904098: 推一語中的 03/15 20:13
27F:推 j2751349: 推 03/15 20:56
28F:推 odanaga: Id正確 03/16 00:27
※ 編輯: backprog (39.9.137.153), 03/16/2017 01:15:41
29F:推 howhowyang: BPNN是你! 03/16 06:07
30F:推 tipsofwarren: 不過,Domain Knowledge + ML/DL 才是王道啦 03/16 09:43
31F:推 pttnowash: deep learning變dick learning 03/16 09:43
32F:→ tipsofwarren: 不然連基本特性的數據的非線性關係都沒有先處理, 03/16 09:43
33F:→ tipsofwarren: 連model 都挑錯, 我不認為可以用土法狂煉鋼的方式 03/16 09:44
34F:→ tipsofwarren: 找出好的模型.頂多就是不知所以然... 03/16 09:44
35F:推 andysleep: NN需要你 03/16 10:33
36F:→ y800122155: 的確 在進入ML之前 有很多統計方面的手法可以先做分析 03/16 19:01
37F:→ viper9709: 推這篇 03/16 23:03
38F:推 argc: 推唷 03/17 09:17
※ 編輯: backprog (220.130.12.62), 03/17/2017 10:25:17
39F:推 dylanx07: 看上面推文才注意到ID BP 4ni! XDD 03/19 04:08
40F:→ DrTech: 完全同意這篇。Deep Learning 實務上真的用的很侷限 03/20 09:53