看完一系列文章 似乎了解AI的人不多 畢竟在浪頭上
所以大家一窩風的去炒他
→ enso: 硬體架構還是得看哪一類的應用。若多為影像辨識，那gpu還是 10/23 00:22
→ enso: 好用些。至於AI,也是蠻廣的，不是跑CNN就算AI。到終究還是 10/23 00:22
→ enso: 統計...
AI弄到最後 老實說就統計跟數學 程式只是輔助工具而已
而硬體 是進階的輔助
因為進步非常的快 所以常常今年流行的演算法 明後年馬上很少人用了
譬如說當初學的SVM的 kernel 學了幾十種 Kernel 還有混和kernel
第二年學教就不開kernel 直接交deep learning
再過一年直接變成 deep reinforced learning 也開始有簡單的ML套裝軟件出現
我同學還開發了 直接在excel上面可以用ML 套件 給商學院的人使用
至些都只是用現成的API 至於未來會不會有比較高效的演算法出現 很難說~
所以或句話說 你今天會的API 明年可能馬上退流行或被取代掉了
而且以台灣現狀 大多都是用現成的API 調調參數 這算真的懂ML嗎?
跟幾個ML的教授跟 Hassabis 聊過 他們給我的忠告是把 數學 統計學 C++學好
因為演算法可能幾年後主流就不再deep learning了
那時候是不是又會開發出新的晶片架構 提供給新的演算用呢?
很難說~~
※ 引述《david190 (david)》之銘言：
: ※ 引述《vivian032619 (亮～被罵+掛電話惹)》之銘言：
: : 朋友代po
: : ------------------
: : 目前有兩個題目可以選擇，不知道哪個選擇未來工作發展比較好。
: : 1. AI的應用，比較偏純軟體
: : 利用機器學習和影像處理取代人力
: : 不用對AI原理有太深入了解
: : 花比較多時間在應用的實作。
: : 2. AI的晶片，比較偏硬體
: : 利用FPGA加速AI在影像處理的效能
: : 30%要了解AI的數學原理
: : 70%在寫硬體。
: 就我的感覺 AI領域不要切分成軟跟硬
: 現在做AI晶片除了 輝達外 還有 intel 谷歌 微軟 IBM 華為
: 為何AI被注目 跟 自動駕駛跟阿法狗 被矚目有關係 這兩個都是谷歌做出示範可行的
: 谷歌是做軟服務 而IBM微軟也是做服務的 為何軟服務的大公司會想做AI硬體?
: 可以猜測 是目前現行硬體架構 已經不足續驅動AI軟件發展了
: 所以三大軟服務公司都去做硬體是必然的 順便搶AI硬體架構決定權
: 誰能拿下AI硬體架構決定權 代表誰之前的AI軟硬體研發能最小損耗不需推倒多數重來
: 所以做AI晶片的公司 本身就是會發展AI軟件跟服務的公司 這應該是不可分的
: 我相信intel如果能搶下AI硬體架構 也會順便攻進AI軟服務的 因為這整套一起發展的~
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 81.106.81.16
※ 文章網址: https://webptt.cc/bbs/Tech_Job/M.1508727557.A.523.html
推文 (61)
推
senjor
我覺得這就是有點看不起應用層了，選好Featrue不見得比做
10/23 11:03
→
senjor
kernel簡單，不如說好的featrue改善程度遠大於改kernel
10/23 11:03
→
senjor
很多時候還會選不同kernel來驗證這個featrue是真的有效的
10/23 11:04
→
senjor
這也算是ML的鄙視鏈吧...
10/23 11:04
→
foxgoodboy
Featrue通常是靠統計哪塊去選~不然你是怎麼選feature?
10/23 11:05
→
foxgoodboy
統計不夠強根本無法選出合適的features
10/23 11:07
→
foxgoodboy
只能用try的 目前台灣好像都是用try的
10/23 11:07
推
senjor
應該說ML有很多面向，用現成的API調參數只是一個選擇，每
10/23 11:09
→
senjor
人著重的面向都不同，不代表用現成的API調參數就是不懂ML
10/23 11:10
→
foxgoodboy
因為API很方便 所以國外蠻多做ML的公司 面試
10/23 11:11
→
foxgoodboy
就直接考你公式推導 還有每個API參數的特性
10/23 11:12
→
foxgoodboy
適用於那種data 會考的你不要不要的~~~
10/23 11:13
→
foxgoodboy
因為他們就怕你只會調參數 但不知道它的原理
10/23 11:14
推
senjor
這方面我就沒涉獵了，受教了。
10/23 11:14
→
foxgoodboy
最好笑的 我有一個同學直接跟面試官說 我會調參數就好
10/23 11:16
→
foxgoodboy
面試官直接回答他 你原理都不懂 你確定你會調?
10/23 11:16
噓
hsnuyi
您認真了 跟GG版說這些做啥? 去GG一輩子賺150才是王道
10/23 11:18
推
senjor
不過這邊講的會調參數跟我想的不太一樣就是，我以為的會用
10/23 11:19
→
senjor
API跟會調參數就是會知道你說的那些，但是可能是演算法或
10/23 11:20
→
senjor
其他程度不足以到自己開發到實用API的程度這樣。
10/23 11:20
→
foxgoodboy
樓上講這樣也是沒錯啦~~但那是比較強一點狀況
10/23 11:23
→
foxgoodboy
比較弱的狀況 就亂調得到很高的準確率 就說自己會了
10/23 11:23
→
foxgoodboy
那真的很傻眼
10/23 11:24
推
senjor
這...我沒想到這種人的可能性...是我孟浪了 Orz
10/23 11:28
推
cobrasgo
c++？把python當死人了嗎(戰)
10/23 11:30
推
a1234567289
推 真的一堆人在try參數 然後獲得很高準確度就說會了
10/23 11:37
→
a1234567289
然後問他你調參數的道理是啥 覺得遇到什麼問題才這樣
10/23 11:38
→
a1234567289
改變參數 結果都達不出來 QQ
10/23 11:38
→
a1234567289
不然就發現精度不夠 一窩蜂的跑去想辦法找資料來try
10/23 11:40
推
senjor
我還記得剛進研究所的時候，就是寫兩個loop去跑K-fold CV
10/23 11:42
→
senjor
然後這樣去拿SVM的兩個參數，誰知道為什麼這個參數好，用
10/23 11:43
→
senjor
就對了 (ry
10/23 11:43
推
ice80712
feature未必要用統計 機器也可以學阿
10/23 11:58
推
laba5566
選feature多的方法幹 造feature才是難點
10/23 12:01
推
david190
當然是這樣的阿 新的更好演算法 值得更好的硬體架構
10/23 12:03
→
laba5566
大部分top model RF GB表現會十分近似 弄好feature出來
10/23 12:03
→
david190
不能是 演算法要屈就現在的 硬體架構吧~
10/23 12:03
→
laba5566
不比搞演算法容易
10/23 12:03
推
senjor
這讓我想到生還者預測，姓名直接被丟進去沒有太大效益
10/23 12:05
→
senjor
但是如果整理成家族生還率的參照featrue就會有效果
10/23 12:06
推
senjor
不過感覺這又變成類似前後端之爭的東西了，鄙視鏈重現
10/23 12:15
→
y800122155
SVM只有g/c兩個參數都能不懂原理 那10個以上怎麼調XD
10/23 13:31
推
senjor
跑10個loop (ry
10/23 14:11
推
F14A
之前看研究所的學長meeting，整場我就只看到他：準確率不高
10/23 15:25
→
F14A
->改參數 or 加一堆有的沒的模型
10/23 15:25
→
F14A
->準確率變高了ya ，有夠無言...
10/23 15:25
推
aacs0130
推造feature才是困難的，選feature有很多統計方法
10/23 16:29
推
senjor
我現在才知道原來選feature跟造feature居然被分成兩種了
10/23 17:01
→
senjor
我整個老人化...以前我們說選feature就包含選自己作出來的
10/23 17:02
→
enso
參數化也是統計的一部份... 最後會發現，會挑數據比教重要
10/23 17:38
→
francishsu
GIGO
10/23 18:00
推
Iamjkc
滿專業的 數學還是要先打好基礎...
10/23 19:36
推
harrybbs
AI專業可以超越GG的150吧
10/23 19:46
推
Gaogaigar
我也是覺得feature seletection跟data presentation不
10/23 20:57
→
Gaogaigar
一樣的說o 3o
10/23 20:57
→
foxgoodboy
印象當中最好玩的是~我問了幾個MIT的主管~
10/24 13:01
→
foxgoodboy
如何把分布不平均的data 變成常態分布的時候
10/24 13:02
→
foxgoodboy
沒有一個答得出來的~~我就跟他們說 開根號乘以十
10/24 13:03
→
foxgoodboy
其中一個聽得懂~就一直笑~
10/24 13:03
→
Jerrynet
教授期末調分，ㄏㄏ
10/24 13:26
→
cld123
要挑feature也要有sample訓練啊
10/25 10:19