推 kenshin528: corsera上的相關課可以先看一下 02/24 08:57
推 bobispig: 不知道原PO是做機器學習的哪塊領域,svm,neural network? 02/24 09:12
主管是叫我自己看有哪些演算法，然後每種都試試看，比較哪個比較好
不然就是叫我去benchmark Google Apple 這些大公司用什麼方法 = =
簡單來說就是完全沒有方向....囧
推 frank11118: 推coursera上台大林軒田教授開的那兩門機器學習 02/24 09:24
推 kenshin528: 我推薦 standford的課程 蠻好入手 02/24 09:59
推 blu1121: 這些工作一個人做 loading有點重xd，光是feature extract 02/24 11:54
→ blu1121: ion就有很種算法，且feature怎麼選對train出來的model又 02/24 11:54
→ blu1121: 有很大影響，每個環節如果都有專人負責研究，原po負擔應 02/24 11:54
→ blu1121: 該會比較少:) 02/24 11:54
徵求好手，年薪130-140，還缺人一起做，有興趣請站內信
推 OoShiunoO: 我覺得非本科跨入門檻還滿高的ㄟ......很硬 02/24 15:49
→ OoShiunoO: 另外...林軒田那兩門coursera的課不會教你寫code 02/24 15:49
→ OoShiunoO: 你就算學了一些算法或是觀念..但是要實作又是一回事 02/24 15:51
→ OoShiunoO: 所以我也像原po一樣，很好奇怎麼學好這個 02/24 15:52
→ ken1325: 一個人自幹喔.....你還是換工作吧 02/24 16:08
推 iceonly: 換工作吧，我當初也只是有個基本概念就找lib硬上，後來發 02/24 16:12
→ iceonly: 現沒基礎真的不行就跳坑了 02/24 16:12
推 jete: 雖然很有挑戰性 但是最好還是換工作 02/24 17:29
真的很有挑戰，但是沒經驗一個人真的吃不太下去...
※ 編輯: raydo (114.26.126.231), 02/24/2015 19:22:24
※ 編輯: raydo (114.26.126.231), 02/24/2015 19:30:52
※ 編輯: raydo (114.26.126.231), 02/24/2015 19:31:56
→ vaio5566: 塊逃啊 02/24 19:56
推 lmr3796: 可是課堂本來就不太會鑽實作的細節吧,除非課程本身的目標 02/24 20:08
→ lmr3796: 就是給已經對理論有一定理解的"xxx實務探討"這類課 02/24 20:08
→ lmr3796: 我個人觀點也是算法理解了實作不會有什麼問題,實作問題 02/24 20:10
→ lmr3796: 等你到了optimize這階段再來探討吧 02/24 20:11
推 evan176: ML的實做要先有一定的optimization基礎 02/24 21:06
→ evan176: 建議可以先從數值計算開始 02/24 21:06
推 jete: 我也是物理背景做ML 有修過統力和線代機率的基礎的話理論上 02/24 21:38
→ jete: 可以自學 問題是時間不夠硬上實作的可能性很低 02/24 21:43
→ jete: spark有現成的東西可以用 不過我不確定適不適合原po就是了 02/24 21:48
推 leicheong: 港大的認知科學就是要實作的哦. 02/24 22:17
推 blu1121: 現在才發現原PO的ID很眼熟XD 之前有站內信過，是被你BOSS 02/24 22:21
→ blu1121: 打槍了嗎XD 02/24 22:21
推 yyc1217: 可以到edx udacity coursera之類 看看有沒有相關課程 02/24 23:00
推 sc841101: Coursera上Andrew Ng老師的話，有程式作業可以實作 02/24 23:08
→ sc841101: 不會很難，可以了解一些程式optimization的寫法 02/24 23:08
→ sc841101: 不過網路上的課程大都是著重在machine learning的演算法 02/24 23:10
→ sc841101: 前置作業的feature extraction比較少提到 02/24 23:10
→ sc841101: feature extraction的影響也很大 02/24 23:11
→ sc841101: 這個部份可能就要看Computer Vision的書才會比較多內容 02/24 23:12
→ sc841101: Computer Vision: Algorithms and Applications 02/24 23:14
→ sc841101: 這本書介紹蠻多常用的feature descriptor 02/24 23:15
→ sc841101: 網路上可找到電子檔 02/24 23:15
→ sc841101: 要比較快上手的話，可以先實作一些簡單的圖像辨識例子 02/24 23:17
→ sc841101: 例如說：HOG+SVM的分類方法 02/24 23:18
→ sc841101: 很容易找到source code，也有完整的理論及實作教學 02/24 23:18
→ sc841101: 會使用簡單的做法之後，再分別從feature extraction 02/24 23:19
→ sc841101: 及machine learning演算法這兩方面修改及加強 02/24 23:20
→ sc841101: 不過一個人要做這兩個部分，除非有基礎在 02/24 23:21
→ sc841101: 不然真的是蠻困難的 02/24 23:21
推 recorriendo: 大家未免也想得太複雜了 既然是做影像 那就把openCV 02/25 05:40
→ recorriendo: 拿來套一套 每個看起來有用的函數都試一下 有時候就 02/25 05:41
→ recorriendo: 弄出不錯的結果了 如果不滿意再往更專業的套件邁進~ 02/25 05:42
→ recorriendo: 背後的理論可以慢慢學 其實搞太深奧的東西還可能會被 02/25 05:44
→ recorriendo: 質疑為什麼不用常見的算法 02/25 05:45
→ recorriendo: feature炫曲是最重要的部分沒錯 而決定哪些feature好 02/25 05:46
→ recorriendo: 用事看你對手上資料的了解 machine learning只是最後 02/25 05:46
→ recorriendo: 一步 把feature變成預測值 這部分絕大多數還是靠第三 02/25 05:48
→ recorriendo: 套件來做的 02/25 05:48
→ recorriendo: 例如現在第一步你要從圖片中找出好feature那其實靠的 02/25 05:50
→ recorriendo: 是對影像理論的了解 而不是machine learning本身 02/25 05:51
→ recorriendo: 而關於影像的理論 例如色彩學 傅立葉分析 搞不好就是 02/25 05:51
→ recorriendo: 你以前念物理就學過的~ 02/25 05:52
推 myutwo150: 你的重點在應用 除非萬不得已不然不需要浪費時間自己 02/25 07:37
→ myutwo150: 刻 scikit-learn之類的library拿來套套看 02/25 07:37
推 myutwo150: 一方面經驗不夠的狀況下寫出來通常就是比別人寫好的不 02/25 07:40
→ myutwo150: 準，跑起來又比較慢 02/25 07:40
推 mynameiseric: 機器學習年薪這麼高喔@@我畢業的時候怎麼都找不到QQ 02/25 22:15
推 dennis2030: 近幾年影像辨識deep learning是顯學，但完全沒ML基礎 02/26 01:25
→ dennis2030: 要搞懂可能沒這麼簡單...有興趣或許可以去github上找 02/26 01:25
→ dennis2030: caffe和相關的source來看 02/26 01:25
推 goldflower: 我覺得你自己學起來之後跳槽絕對是超好選擇 02/26 15:28
→ goldflower: 既然公司都讓你自學了你就學吧不要急著跳XD 02/26 15:28
→ goldflower: 林軒田的課程我覺得蠻硬 而且你還是要自己刻演算法 02/26 15:29
→ goldflower: 跑scikit-learn然後裡面的演算法記得都會有論文來源 02/26 15:30
→ goldflower: 都看完應該就會很強...如果都看完的話XD 02/26 15:31
推 goldflower: 還有去參加每週MLDM聚會找那邊的神人問應該也是選擇XD 02/26 15:34
推 buletris: 至少要ㄧ年！影像基礎開始！data patern！去買影像聖經 02/27 10:59