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