上次发文后，有些版友寄信问了些问题
大多数问题是重复的，所以就再分享一下好了
不过在讲之前要先说，我本身并没有非常的资深
讲的不一定是对的，主要都还是我个人工作上主观的感受
1. 做AI相关数学一定要很好吗?
数学好不好很难定义，但是以工作上来说
会需要的能力是：把数学公式转成程式码的能力
你不需要像论文一样，完全理解证明的过程，但是要有能力把它实做出来
比方说，像是SELU的证明过程长达80页，有多少人能真的看懂?
可是工作上你只需要知道怎么实做SELU出来就可以了
2. AI主要工作再干嘛?
这个就看每个公司不同而有差，以我自己为例
一半的时间整理资料，一半时间调整模型架构与参数
资料会需要讨论怎么蒐集、如何标注、怎么做正规化、如何做扩增...等等前置工作
往往资料准备的好，事情大概就结束一半了
有些特殊情况，像是无法标注或是资料极少
就需要用到像是unsupervised learning 或是 one-shot learning 技术
另一半的时间，会根据需求去调整架构以及调整参数
这就会仰赖你看的论文的广度，从中挑选出适合或混用网络架构
至于调参就很吃经验，除了参考论文的参数设置
自己做久了也会知道一些神奇的参数XD
而这往往也是新手跟老手的差距
3. 面试官会期望看到什么?
我自己在面试人时，会用以下的评分机制，好让我快速挑选要邀请的对象
相关学历+1
发表相关论文+2
相关工作经验+2
github有相关作品+2
kaggle比赛经验+4
通常有4~5分我就会邀请来面试，当然这分数只是参考
并不一定每次都会这样筛选，像是kaggle比赛有master，就不会去看其他条件
这边提一下为什么我很看重kaggle或是其他比赛的经验
我自己在比kaggle时，往往会花很多的时间认识资料
对资料理解的好，才会做出合适的前处理与资料扩增
资料的形式也会影响到模型的架构
所以要看懂资料才能选出合适的架构
过程中，也会体验到调参的各种痛苦与绝望 (?
而且比赛也很考验有没有好好避免模型overfitting
排行榜上就常常看到很多人在最后成绩公布时大翻车
其实就是严重的overfitting
kaggle 好好从头到尾把解问题的流程都考验了一轮
这对在解工作上的需求时，会十分的有帮助
以上大概就这些
相信最近有在找AI相关工作的应该会感觉到竞争非常的激烈
要从中脱颖而出并得到工作机会，多准备一些总是好的
如果有想到什么就在补充
就这样