Re: 本來學ML是該轉路還是繼續鑽研

[isaacting (2312312)]

※ 引述《ckrmpuhv (阿瓜)》之銘言：
: 各位板上大大好
: 小弟是後段國立科大資管碩即將畢業
         ^^^^^^^^^^^^^^^^^
恩..."後段國立科大資管"，好一點的公司可能連HR那關都過不了

: 因為一些私人原因是不用當兵
: 所以論文完成後準備開始找工作
: 目前程度：
: 大學學過JAVA
^^^^^^^^^^^^^^^

要走ML，應該是要用Python吧，至少tensorflow 或是pytorch都是在python上有最多的
支持，那如果要走ML的底層，那就應該要會c++跟cuda或是opencl之類的

: 網頁跟資料庫也只有課堂學習過沒實際做小專案
: 因為對Ml有興趣
: 在碩階段期間 都是自學ML相關
: 聽過李宏毅老師的課
: 實作過他課程的作業
: Keras的一些神經網路搭建也沒捨問題
: Kaggle只參加過一兩次 排名都很爛
: 大部分的實作和論文都是跟影像辨識相關
: 最近看板上大大各式各樣建議
: 非四大四中 也不是kaggle的佼佼者
: 數學方面 線代沒學 統計學大學學過但也不熟
: 看完覺得自己很爛出去可能沒人要？

理論不行，直接自爆
但我想問一下，你是否有能力可以去推導back propagation?
或是可以用數學理解為何inception net 比 VGG16好
那甚麼是 L1 L2 constrain?
牛頓法跟gradient descent有甚麼關係勒?

你說你的論文是跟影像有關的，那懂不懂傅立葉轉換阿?

: 目前都還在做ml各種模型實作
: 但看完板上很迷茫要往哪些方向學習怕找不到工作非常憂鬱
: 我不清楚該橫向發展拓別的領域
: 像是網頁、App 自己做一些小專案增加作品集
: 還是去補數學 更深入研究Ml
: 又或者先去刷Leetcode打底
: 還請各位大大指教 謝謝
: -----
: Sent from JPTT on my iPhone

我自己也不是ML專業，也算是半路出家的，那因為要把ML放在MCU上，
所以去看了很多ML的paper跟文章。

ML的水很深，如果數學不行，就一定要把數學補起來，要不然人家面試問一下，
就真的倒在那邊惹。(請注意喔，我上面的問題都還只是基本題中的基本喔)

我曾經在一篇文章講過，用Keras把一個常見的模型跑起來，這個請個工讀生
都可以做到的事情，沒有必要花錢請一位工程師來做。

但是我可以告訴我主管 ，為什麼要這樣做，Learning rate要怎麼設定會比較讓
模型快速收斂，這才是我的價值。

喔~~對了，我還只是個韌體工程師喔，我的專業還是在韌體上開發演算法喔

在台灣做ML的大致上有兩種(這也是我專門做ML的學弟跟我講的)ㄎㄎ：

有問題的話也請做ML的專業大大更正

1. 拿現成的model去做 transfer learning或是改善pre-processing的方法，讓圖片
   或是資料更容易讓model收斂。

   很多公司都是要有馬上的功效，若是重新建立一個新的架構，那要花多少時間去
   fine tune?然後要收集多少的資料去最佳化weighting?

   聽說連發哥都沒在做這種事情，那就更不用期待其他一些小公司有辦法去支持這樣的
   開發案。

2. 把現有的ML 模型縮小，然後可以放在嵌入式系統上。
   這就跟我現在在弄的案子比較有關連，確實會需要ML的工程師，不過該工程師
   最好也得知道一點嵌入式系統，這樣在執行專案上會比較有幫助。


如果真的要走ML，就請把線性代數跟統計補齊，因為deep learning只是ML中的一部分
如果可以用比較傳統的方法就可以解決的問題，為何一定要用deep learning????

如果發現自己的數學不行，那就趕快盡早轉行。

真心不騙......


順帶一提，其實外商比較不太重視學歷，但很重視英文，所以英文也是一項重要的技能







--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 59.124.168.123 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1615442547.A.5D6.html
推 ss8651twtw: 推
推 tig4605246: 推這篇，我不是ML專業但常常看到套模型就說自己會ML的
→ tig4605246: 人…
推 mmonkeyboyy: 其實現在有1&2混起來做的 2才是能賺錢的XD
→ mmonkeyboyy: 套模型也可以啦  問題是要套對就是了
推 ntpuisbest: 借串問一下，我雖然懂那些基本題，可是不太清楚為何
→ ntpuisbest: 懂了可以知道怎麼設學習率那一塊
→ ntpuisbest: 一般來說不就是，太大的數字不行，就換小的試試看嗎？
ㄎㄎㄎ

其實也只是跟主管特別強調一下: "我不是只會套模型這樣的啦"XD

當然因為主管不懂deep learning，所以聽到我這樣跟他說，他喔喔喔喔 ~~~果然有價值!!
(這可以算是嘴砲的最佳實證)


當然，我自認為我的程度是還不是很懂ML這塊的喔



我只是個半路出家的嵌入式韌體工程師喔




※ 編輯: isaacting (59.124.168.123 臺灣), 03/11/2021 14:39:45
推 UNPRO: 推這篇
※ 編輯: isaacting (59.124.168.123 臺灣), 03/11/2021 14:52:08
推 rereterry: 其實看要走應用還是分析，之後還可以拆分是走純數據，
→ rereterry: 影像，NLP，之後還可以再細分是商品，還是純模型，這塊
→ rereterry: 領域現在被架構的還蠻大的，像銀行體系也會是一條路啦
→ rereterry: ！
推 tay2510: ntp大會有疑問是是正常的 原po的lr的例子有點誤導了，實
→ tay2510: 務上都是直接用平行框架搭配一些搜尋演算法去找合適的lr
→ tay2510: ，但我同意跟主管解釋為什麼那個部份
沒錯，譬如說Adagrad，這種東西在tensorflow 不用自己去code

但我當初就是跟主管報告甚麼是Adagrad，以及為什麼要用Adagrad

然後主管就: 喔! 讚~~雖然聽不懂, 但感覺很厲害，然後考績就香惹

大guy4這樣


ML面試的問題千變萬化 ，也有可能面試者直接問甚麼是Adagrad阿 ?

那為何用Adagrad效果不錯?

所以我是覺得把ML的基本理論都弄懂是絕對重要的


推 hegemon: 香港某個女網紅也說自己在搞ML, 就套套別人的工具月薪就
→ hegemon: 不少了
推 ntpuisbest: 原來如此
推 cuteSquirrel: 真好
※ 編輯: isaacting (59.124.168.123 臺灣), 03/11/2021 17:12:53
※ 編輯: isaacting (59.124.168.123 臺灣), 03/11/2021 17:21:41
推 CaptPlanet: 推 現在ML神棍真的多
推 luweber88: (學生淺見)資料工程師通常都會先用傳統ML方法試試看吧
→ luweber88: ？像RandomForest等方法，若演算法效率不好應該先回頭
→ luweber88: 從Data Level檢視/處理，用DL怒train一發通常都是最後
→ luweber88: 選項？
推 drajan: 先弄出一個可以上線的穩定系統是最難的 挑選model往往是
→ drajan: 比較容易的部分 大部分都會建議用最簡單的方式去做
→ drajan: 因為光是最簡單的方式就可以搞死你了
噓 MoonCode: 數學不好或是沒精通原理的人都不用上班了
→ MoonCode: 懂不懂原理不是重點而是能不能產生價值
我其實不太懂你的點 ....原po說kaggle打得很爛 ,然後又不太懂數學, 假若你們公司
需要有即戰力的ML工程師,你敢用他嗎???????????

我相信kaggle名次很前面的高手,對於小弟所提出的弱砲問題一定是秒殺


推 evan176: 不認同樓上，當你面試碰到會BERT但不知道regression和cla
→ evan176: ssification差別的人該怎麼辦呢？現在這樣的ML大師還不在
→ evan176: 少數
→ luweber88: 有人會Bert還分不清楚cls/reg哦xdddd 那他transformer
→ luweber88: 是白學了？
推 taffy128s: 我記得去年發哥有進CVPR, 這個也算一種吧
推 mmonkeyboyy: 。。現在很多是ensembling learning
推 mmonkeyboyy: 現在很多資料工程師反而不懂傳統都先train一發再說
推 iiiii: 直接問不用py，還可以學嗎？

資料降維是什麼?
這個做ML的人倘若不知道,基本上應該是.....呵呵又顆顆
PCA是很常見資料降維的手法之一
這在線性代數裡面是很基本的內容,原po沒有唸過線性代數,我會很懷疑
原po處理資料的能力在哪裡


※ 編輯: isaacting (49.216.70.16 臺灣), 03/12/2021 10:33:37
推 cuteSquirrel: 主成分分析和feature engineering
推 exthrash: 現在沒什麼人在用PCA吧
推 mmonkeyboyy: 還是六種還是七種方式中的主流吧@_@~
→ mmonkeyboyy: 不用py 可以學darknet哦
→ mmonkeyboyy: 不過現在想做好未來一點的大概要做GDL了
推 pot1234: 偷問一下 印象中影像的DL也滿多不傅立葉轉換直接做的吧
→ loadingN: 肥宅會fft能加分嗎
推 shownlin: 做ML線代統計重要性沒那麼大啦，模型performance好才是
→ shownlin: 真的
→ mmonkeyboyy: 線代統計我是覺得也要啦  但就看不懂再去念也行
噓 MoonCode:
→ caseypie: back propagation這種大一微積分就教的東西有什麼好嘴的
→ j0958322080: 樓上天真了，很多人無法手算出來的
→ answerseeker: 都哪年了還在VGG16...都快跟SIFT一樣古董了
推 meRscliche: 推