※ 引述《ztdxqa (ztdxqa)》之銘言：
: 大家好
: 小弟今年秋天即將到美國攻讀robotics碩士學位
: 由於是robotics學程
: 所以Machine Learning, Computer Vision
: 這些方面都會接觸到
: 該校在CS領域非常不錯 有很多好課
: 如果沒有全部把重心放在robotics上的話
: 可以修到許多有趣的課(偏Data Science)
: 例如:Inforation retrieval, Distributed Systems, Data Mining等
: 小弟很喜歡有關於AI, Machine Learning的應用
: 不管是應用在robotics還是在其他領域
: 如Big Data computing, Web Mining 都非常有興趣
: 因為修課數量有限 在選課上很難做抉擇
: 想知道這兩個方向現在在台灣的發展及未來如何?
: 還請各位前輩多多指教<(_ _)>
多學一些理論基礎，追流行不要追太緊。
近年來 ML 與 Big Data，被炒作過頭了，
搞得大家好像不用 Hadoop 算 Word Count 就遜掉了。
導致很多人深陷工具的學習，而非 ML 或分散式系統的學習。
學了 Hadoop 0.x 後，發現怎麼又要重新學 1.X 的 API，
學了 1.X API後 ，怎麼大家都在學 MRv2了。
學了 MRv2 後，怎麼大家都在喊 Storm、Spark ...
搞了幾年只會用一堆工具做 Word Count 等級的人一堆。
光是搞版本相容性問題，就花了大部分的時間，慘。
這就跟一堆人學 Java、.NET 一樣，怎麼一直在學API怎麼用。
過了幾年還是只會資料庫存取。或同樣的事情換個版本做。
真的不需要追太流行的工具，理論基礎通了，你不管換什麼工具，
買本書就上手了，到時要Debug或是效能提升、準確度提升時，
也才有最紮實的技術解決問題。
國外面試也非常注重理論基礎，而非像台灣追求工具的使用，
通常都是要你寫演算法，而非用一堆工具兜系統，
所以真的不用怕一堆工具不會用，理論基礎才是重點。
至於台灣發展怎麼樣其實不重要，反正都是抄襲國外大廠的口號，
你只要專注於國外，多向同學與老師們好好學，就已經領先台灣了。

推 多學一些理論基礎，追流行不要追太緊。

推 完全贊成你說的

推

最後一句我笑了，然後就哭了 ....

美國面試偏重於資料結構與演算法方面沒錯

不過面試題目類型蠻固定的，有讀考古題就可以應答的很熟練

沒錯，多花時間在 CS 基礎的幫助絕對大於盲目追新工具

推阿!!~

http://ppt.cc/~VHm Big Data真的被吹得太過頭了實際效益要打上幾個問號吧 特別是在台灣 其實需求很有限吧

推最後一句~

推