推 drkkimo:說的蠻不錯的~ 07/10 08:41
推 I0O1:Excellent! 只有打拼過的人，才有如此深刻的見解! 07/10 09:54
推 seagal:推交大應數 07/10 11:12
推 cplusplus:推 真的下去做才知道難處 囧rz 唉~ 07/10 13:51
推 Stevin:推，說的很中肯！ 07/11 02:04
推 QQFOX:這才是大俠風範阿!! 01/29 14:26
※ 引述《haryewkun (Har)》之銘言：
: ※ 引述《haryewkun (Har)》之銘言：
: : 推 slzhao:kkcity.twbbs.org裡面有一個CSZone,以前裡面的討論也不錯. 07/07 08:42
: : → slzhao:但最近kkcity的人似乎變少了,討論的人變少很多. 07/07 08:45
: : → slzhao:大陸近年的學術研究水平不算低,但是抄襲的也不少. 07/07 08:49
: : → slzhao:至於您,我只想問您,知不知道void *在C語言中的意義跟角色? 07/07 08:50
: 謝謝提供地址。不過我現在的網絡連接不太順暢，今晚再上去看看。
: 至於您的最後一個問題，卻讓我非常猶豫，不知道要怎麼做。
: 如果沒有誤解您的意思，您這個問題，應該不是簡單地要知道答案吧？
void *這個東西只是想跟您聊聊做學問的態度.
熟悉C語言的人應該都知道當一個function如下:
f(void *ptr);
此function可以接受所有指標形態.
當我們需要的時候,才把ptr轉換成我們需要的資料型態.
當我們把function改成如下的形式.
f(int nInput);
則此function只接受int,非int如果包含在int的範圍內,也可接受.
但是如果遇到double等資料型態,則會有不少資訊被截掉.
想像我就是一個function,如果我只肯接受int,那我的世界也就只是int.
無論接受到怎樣的資訊,我也只擷取int.
當我可以處理所有int之後,我就會認為這世界沒什麼了.
但是當我可以接受void *的時候,所有東西都是問題了,世界是那麼的廣泛.
廣泛到我連描述都無法描述的地步.
沒辦法遇到可以"電"您的人,可能是因為您把世界範圍縮小了.
計算機的世界是很廣泛的,所有現實的問題都是計算機的問題.
如果把範圍縮小到只接受自己想接受的東西,會發覺很快這個世界就沒人才了.
舉個例子吧.
以前我學影像識別,看了一堆paper,後來發覺大部分歸根究底就是在算條件機率.
P(w|f) f是特徵,w是類別.
Pattern Recognition課本那麼大本,還不是整本都是這個觀念.
看到有些paper提出的方法會先作完PCA再做Mahalanobis distance.
當時覺得很可笑,認為那麼沒概念的paper不讀也罷.(以言廢人->以人廢言)
而大部分的paper也不過就是把一堆已知的方法湊起來而已.
也因此,茫然困惑了好一陣子,認為PR領域也不過就如此而已,還有什麼是值得研究的?
後來硬著頭皮,不做也得做,把一些方法實作到程式中.
才發覺原來世界並非只是條件機率而已.
特徵怎麼產生?抽特徵的方法?抽完特徵該選用哪一種model來計算機率?
雖然每一個環節都有已知的方法,且不難實作,但偏偏到我做才發現困難重重.
我不可能把所有方法的組合都嘗試,只能以有限時間試其中幾種.
我該怎麼選擇?
等作法確定了,又要考慮threshold調整,training samples的選擇,noise的影響.
這些條件又會互相影響,我又該怎麼抉擇?
想發展一個什麼都可以辨識的辨識程式,真是天方夜譚.
再回頭看那些paper,雖然仍然有不少誤謬之處,但是不能掩蓋他們的貢獻.
光是整合許多作法在特定的應用上,就已經是一個值得深入研究的課題了.
豈是隨便拼拼湊湊就可以把一些方法湊在一起的?
為什麼文字辨識要先做binarization而人臉辨識不做?都是有原因的.
不是統計過足夠的資料,分析過原因理由,是難以體會的.
以前有人問我:XXX影像要如何辨識?
我會回答:先搞懂XXX及XXX理論再來跟我討論.
現在有人問我同樣的問題.
我會回答:先收集幾百張XXX的影像,先看影像再來討論辨識model及特徵.
還記得以前我在寫某個文字辨識的專案程式的時候.
我們苦心思考了很多可能需要辨識技術,提供給使用者操作.
(例如:判斷可能切字錯誤的地方,產生候選字...等等)
結果客戶看到了以後,認為只需要辨識的主體部分.
理由是,其他部分由校正人員來處理的話,cost更小又更準確.
這樣算不算被電?
我們對研究主題分析不清楚,盲目的套用理論去處理.
分析了半天,還不如去請教一位不懂電腦理論的校正人員.
這種情形在醫學資訊相關的研究中非常嚴重.
很多不考慮醫學實際情況的技術,在醫學資訊的領域是不會受重視的.
但是資訊相關的研究人員往往會做這種盲目的研究.
因此,我比較建議的是,不要把自己的視野只局限在自己能接受的事物上.
想像自己可以接受的就是void *.
多涉獵不同的內容,依自己需要把資訊轉換成自己希望的樣式.
我們不能期望所有人懂所有東西,但是也許別人懂的少數幾樣東西就是比我們專精.
不要太輕易否定掉別人的能力跟貢獻.
如果真的要找在學理上能夠超越自己的理論或是方法.
去數學或物理領域找吧!
很多資訊相關的理論是數學或物理早就發現,而許久才被應用到資訊領域.
但是不要忘了,真正有貢獻的理論是可以廣泛被使用的,而非毫無意義的一堆公式推導.
如果能透過重新詮釋某些理論,而廣泛應用在資訊領域,就是學術上很重要的貢獻.
我對馬來西亞的學術研究並不是很了解.
但是個人認為,應該不會不堪到太過分.
以前班上有一位馬來西亞僑生,數學物理雙學士提早畢業出國直攻博士.
我碩士剛畢業兩年,交大應數就聘請為助理教授.
我相信應該不是馬來西亞學術能力不強,而是人才大多外流.
人才外流的問題,在台灣及大陸也都是如此.
ps.可以多看看IEEE或ACM自己研究領域的相關期刊,看看學術界重視的是什麼.
我還是不知道您的研究領域是什麼,所以無法提供具體的建議.
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 59.115.195.61