上次發文後，有些版友寄信問了些問題 大多數問題是重複的，所以就再分享一下好了 不過在講之前要先說，我本身並沒有非常的資深 講的不一定是對的，主要都還是我個人工作上主觀的感受 1. 做AI相關數學一定要很好嗎? 數學好不好很難定義，但是以工作上來說 會需要的能力是：把數學公式轉成程式碼的能力 你不需要像論文一樣，完全理解證明的過程，但是要有能力把它實做出來 比方說，像是SELU的證明過程長達80頁，有多少人能真的看懂? 可是工作上你只需要知道怎麼實做SELU出來就可以了 2. AI主要工作再幹嘛? 這個就看每個公司不同而有差，以我自己為例 一半的時間整理資料，一半時間調整模型架構與參數 資料會需要討論怎麼蒐集、如何標註、怎麼做正規化、如何做擴增...等等前置工作 往往資料準備的好，事情大概就結束一半了 有些特殊情況，像是無法標註或是資料極少 就需要用到像是unsupervised learning 或是 one-shot learning 技術 另一半的時間，會根據需求去調整架構以及調整參數 這就會仰賴你看的論文的廣度，從中挑選出適合或混用網路架構 至於調參就很吃經驗，除了參考論文的參數設置 自己做久了也會知道一些神奇的參數XD 而這往往也是新手跟老手的差距 3. 面試官會期望看到什麼? 我自己在面試人時，會用以下的評分機制，好讓我快速挑選要邀請的對象 相關學歷+1 發表相關論文+2 相關工作經驗+2 github有相關作品+2 kaggle比賽經驗+4 通常有4~5分我就會邀請來面試，當然這分數只是參考 並不一定每次都會這樣篩選，像是kaggle比賽有master，就不會去看其他條件 這邊提一下為什麼我很看重kaggle或是其他比賽的經驗 我自己在比kaggle時，往往會花很多的時間認識資料 對資料理解的好，才會做出合適的前處理與資料擴增 資料的形式也會影響到模型的架構 所以要看懂資料才能選出合適的架構 過程中，也會體驗到調參的各種痛苦與絕望 (? 而且比賽也很考驗有沒有好好避免模型overfitting 排行榜上就常常看到很多人在最後成績公布時大翻車 其實就是嚴重的overfitting kaggle 好好從頭到尾把解問題的流程都考驗了一輪 這對在解工作上的需求時，會十分的有幫助 以上大概就這些 相信最近有在找AI相關工作的應該會感覺到競爭非常的激烈 要從中脫穎而出並得到工作機會，多準備一些總是好的 如果有想到什麼就在補充 就這樣 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 61.231.242.215 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/Soft_Job/M.1604066252.A.33D.html 如果只是抄別人的，是很難打進銀/金牌區的，畢竟又不是只有你會抄 再退一步說，沒有料的人面試時問細一點就破功了 如果一個人kaggle有master級，而學歷只有高中畢業 我一樣是會邀請來面試的 kaggle好不好玩並不是我的重點阿XD 重點是參賽過的人，多少會學到一些東西 就算沒得獎也沒關係，享受那個過程很重要 除了kaggle以外，以影像來說NTIRE比賽也是可以去試試的 ※ 編輯: johney719 (61.231.242.215 臺灣), 10/31/2020 16:44:11