做机器学习真是太难了

请问lz说的面试指的是国内吗

LL的申请季 发表于 2020-7-1 05:26
code更多是你理解了原理就可以，这个矩阵每一项是谁对谁的偏导什么的，不需要你真的去数学计算。原理和数 ...

不是，没说清楚，这个是要求你不用任何框架的，tf 啊pytorch都不能用
我后面那个是我的经历，可以用tf，但也就只给了几分钟时间

niuhj 发表于 2020-6-30 22:13
看是做research 专门做ml service的公司，还是普通公司利用ml，如果是最后一个，那模 ...

言简意赅，说得不错。虽然不全对。

同感字数字数
同感字数字数

starcroce 发表于 2020-6-30 13:17
现实工作基本是在洗数据，修pipeline，修service，跑offline eval，跑各种奇奇怪怪的sql，写doc，跟pm撕逼 ...

过于真实 报警了

my two cents. ML和SDE比起来，还有个很大的技能需要补充，就是对问题的define和system design。除了deepmind那种纯粹的RD性质，很多ML team都是要deliver的，而real-word的问题和书本很不一样，data acquisition，define以及和biz gap填充，这个更是没有课程可以教。而相对起来SDE解决的问题是个defined的问题，即使是PM反复修改那也是有define的。

halfpipe 发表于 2020-06-30 11:32:20
现在team里的pds只是本科毕业

补充一下，pds他还是很强的而且做了很多年，可能参考价值也不大哈哈哈哈

这个得看个人兴趣了，我从16年大三开始接触ml，一直到后来master再到现在工作还是做的de/ml，各种新奇百怪的新算法我也是非常感兴趣的去自学外加深究背后数学推导，关键是本来我个人就喜欢整个ml领域，各种零零碎碎的概念整合起来靠自己的理解形成一个完备的knowledge graph会觉得很有成就感。并且不光是理论数学层面，关于产品用什么算法能合适的解决问题，需要什么样的数据，以及数据的干净程度等，这些其实就像是最基础的也是最重要的步骤，再到model之后的测试检验ab testing外加部署上线，整个流程都像是在build an intelligent brain会觉得很有意思，虽然有时候效果不理想需要进一步修改模型甚至需要重新组建数据集，但对自己来说也是一个重新思考学习的过程。

除纯modeling之后还有各种pipelines啊db啊data warehouse/lake啊啥的也是很有意思，当然说回来了对各种算法深层次细节的理解是*必须的*。

感谢lz给我列了一个to-do list