作者ga6611220 (疥瘡貓)
看板Soft_Job
標題[請益] 大四畢業前機器學習規劃
時間Tue Apr 4 20:25:14 2017
軟體版的前輩先進們,晚安
小弟中部私大資管大四生
因為對java,app沒興趣,喜歡C,python
最近開始嘗試機器學習的領域
我是從
https://github.com/ChristosChristofidis/awesome-deep-learning
這裡選Yoshua Bengio的電子書看
讀膩了就看個youtube的分享聽聽高手的理解
目前的認知大概落在:
機器不知道哪些特徵useful->representation learning->autoencoder
Deep learning->MLP->模仿生物大腦->ANN...
然後開始K基本的線代
在這邊想問板上各位先進
都是怎麼學習ML的
或者願意提供其他的建議
我真的很希望有一天可以寫出自己的AI
不用叫我念碩,當完兵開始還學貸QQ
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.237.62.157
※ 文章網址: https://webptt.com/m.aspx?n=bbs/Soft_Job/M.1491308717.A.5A5.html
1F:推 jj0321: 拿Kaggle來練, 把學到的拿去實作會比較有感覺 04/04 20:32
2F:→ f496328mm: AI太快了 先玩玩ML 找一些data試試看 04/04 20:33
3F:→ f496328mm: R也不錯 ML用R DL用python 04/04 20:35
4F:推 akpipnlge: 因為語言而喜歡一個領域XDD 04/04 20:37
6F:→ f496328mm: 高手就獻醜了 DL 要用GPU 好難玩 04/04 20:37
7F:推 ghmsxtwo: 很少看到同時喜歡C跟Python的 04/04 20:48
8F:推 evan176: 搞懂optimization,練習寫出一個NN就差不多了 04/04 21:00
10F:→ aa155495: 上課同時寫作業,比較有方向 04/04 21:07
11F:→ aa155495: 先對ML有個通盤的了解,再往類神經網路前進比較好 04/04 21:08
12F:→ aa155495: 一些基本觀念,梯度下降、overfitting、model selection 04/04 21:12
13F:→ aa155495: supervised learning、unsupervised learning 04/04 21:12
14F:→ aa155495: reinforcement learning、transfer learning 04/04 21:13
15F:→ aa155495: 先對以上這些東西,有個基本的認識,再去參加kaggle 04/04 21:15
16F:→ aa155495: 不然很可能只是在那邊瞎tune參數,連overfitting都不知 04/04 21:15
17F:推 jigfopsda: 先上田神的ML啊XD 04/04 22:05
19F:推 goldflower: 我只覺得你的->順序很怪啊XD 04/04 22:10
20F:推 goldflower: 知乎其實有蠻多資訊的也可以查查 04/04 22:19
21F:推 Morphee: 大四k線代? 哪是大ㄧ大二在k的吧? 04/04 22:21
22F:推 ghmsxtwo: 原po資管可能沒修線代 04/04 22:31
23F:→ aa155495: 不過大四才讀ML,又不打算讀研,這樣找相關工作會有難度 04/04 23:21
24F:→ aa155495: 準備時間有點太短... 04/04 23:22
25F:→ manaup: 畢業多年後自學ML才感受到線代的魅力 重讀一下線代臭了嗎 04/04 23:42
26F:推 jj0321: 短時間內沒有作品的話,先從Web相關的工作邊做邊自修吧~ 04/04 23:43
27F:→ jj0321: 我也是錢的壓力,沒有繼續讀研,下班後自學想做的東西 04/04 23:44
28F:推 jj0321: 只是好累就是了XD 04/04 23:46
29F:→ physheepy: 數學基礎太薄弱了 你有太多東西要補 誠心建議念碩 04/05 01:37
30F:→ physheepy: 補充一下做ML懂數學與不懂數學造成的差距:不懂->可靠經 04/05 01:46
31F:→ physheepy: 驗與嘗試學會call api做出一些成果 但是優化參數能力薄 04/05 01:47
32F:→ physheepy: 弱 基本上就是靠try and error 這樣去試 可能欠缺修改 04/05 01:48
33F:→ physheepy: 現有api功能的能力 04/05 01:51
34F:推 WashFreeID: 除非四大+相關lab 新人根本不可能找到ML相關工作 04/05 09:26
35F:推 xsssxxzz: 讀統計比較實際吧 讀線代有點偏了 04/05 09:30
36F:→ Murasaki0110: 好一點的公司這都是找博的 別想了 04/05 09:48
37F:推 Sidney0503: 先把林軒田影片看完再說 04/05 09:49
38F:推 hung0724: 學了 ML 才體會到數學的美感XD 04/05 10:14
39F:推 jjjkid: 線代是很基礎的東西吧 怎能說走偏了 04/05 10:51
40F:推 evan176: 統計的知識要有但吃最多的還是線代 04/05 11:05
41F:推 kyuudonut: 覺得讀線代有點偏的人有念過統計嗎 XDDD 04/05 11:38
43F:→ smalldra: 但是 真的想研究還是得吃學歷才能進那些公司 04/05 12:37
44F:→ smalldra: 除非你是賈伯斯等類那種一個人就能創業打天下的人 04/05 12:37
45F:推 s89227: 讀線代有點偏?認真嗎wwwwwww 04/05 12:40
46F:→ physheepy: 睡一覺起來發現我怎打try and error該是trial (題外話 04/05 13:03
47F:推 weilun911: 推田神影片!!! 04/05 14:03
48F:推 fasterrcnn: 讀一些經典paper對實作滿有幫助的 04/05 15:34
49F:→ f496328mm: 想問經典的PAPER有哪些 04/05 15:56
50F:→ DrTech: 資管沒學過線性代數很平常 04/05 16:15
51F:推 tingwei0924: 先看Andrew Ng 在coursera的課 04/05 16:16
52F:→ DrTech: 線代基本上懂矩陣運算,看得懂論文表達式就好。 04/05 16:18
53F:→ DrTech: 的確統計,機率。用得多太多了。 04/05 16:19
54F:→ DrTech: 實務上,誰會沒事去推導線代理論呢?又不走學術發Paper。 04/05 16:21
55F:推 tingwei0924: 類神經網路看 NTUEE 李宏毅老師在youtube 上的教學 04/05 16:22
56F:推 tingwei0924: 課程 04/05 16:22
57F:推 evan176: 也要有理論基礎才看得懂論文表達式 04/05 17:31
58F:→ booloo: 推林軒田的課程,他的課看懂了再去Kaggle吧 04/05 22:23
59F:推 booloo: 如果對ML有興趣,線代還是要學一下,到看得懂Paper的程度 04/05 22:30
60F:推 booloo: TensorFlow 有興趣也可以摸摸,不過這是實作用的工具。 04/05 22:34
61F:推 stosto: 我也被學貸啊,念完碩士半年還完,你私立大概一年,但如果 04/06 00:37
62F:→ stosto: 你只有大學畢業加上你的學歷,我想還完時間不會比念完碩士 04/06 00:37
63F:→ stosto: 好到哪 04/06 00:37
64F:推 fasterrcnn: Faster rcnn滿經典的押XD 04/06 01:17
65F:推 goldflower: songrotek/Deep-Learning-Papers-Reading-Roadmap 04/06 04:28
66F:→ goldflower: 以上github 04/06 04:29
67F:推 sttagomantis: 我之前寫過一篇文你可以a一下 看完你大概就知道了 04/07 21:04
68F:→ sttagomantis: 簡單說我還是建議從軒田或宏毅老師的課開始 04/07 21:07
69F:→ sttagomantis: 不建議直接啃那本DL的經典 那本不好啃 04/07 21:07
70F:推 vul3kuo: 認真說還是要念碩 念完碩就會覺得大學做的都是玩具 04/22 12:54
71F:推 brian980466: 推宏毅的課 實作導向 04/25 02:46