Re: [請益] 我該找前端工作 或專心學習ai?

[johney719 (揪泥)]

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://www.ptt.cc/bbs/Soft_Job/M.1604066252.A.33D.html
推 wow56397849: 好文推推
推 feiwens5566: 就不要碰到那種kaggle抄大神model再做ensemble的
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

推 aidansky0989: 抄大師的沒毛病吧，誰不是一開始就抄，抄過來會用就
→ aidansky0989: 行，看論文可能也是
推 baby0326sky: 想請問如果是new grad的話一樣會看kaggle嗎？
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

→ followwar: Kaggle到底有什麼好玩的= =?
→ followwar: Top Conf workshop有很多challenge不見人去刷
→ followwar: COCO KITTI CITYSCAPE 之類的指標性benchmark等大家去
推 followwar: 但不否認 Kaggle的確有很多好用的dataset存在
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
推 truehero: conf的吧challenge錢少或跟本沒有啊，還有要發小論文才
→ truehero: 能入二階段
→ truehero: 如果不是本來就想發論文的，對純玩家吸引力沒那麼夠