深度学习入手后的一些思考

语录

1. 深度学习的数学构建还不够充分,我可以问你很多的东西,bn层有什么用,这些东西很多人都会,达叔的课程都泛滥了,我区分不开大家的程度,所以会问一些数学依赖更重一些的ML的基础知识,所以对于校招还是需要学好西瓜书。

 

2. 问:我竞赛取得的名次不是很高诶,面试官会不会觉得有些水?

   答:我觉得面试官更重视的是你在竞赛过程中的思考,怎么样进行数据分析,预处理,让数据更fit你的模型,怎么优化你的模型,结合场景的自己的理解。

         如果没有拿到奖,你能看懂kaggle kernel里的分享,一些solution,并且叙述出来也是可以的。

 

3. 问:有没有搭建自己的网络模型?(后期再补)

   答:别跟我说换一下head随便fit一下,这些都太简单。如果没有自己根据场景写自己的网络模型训练的话,,不过大多数也不会自己写。一般还是要多思考,如何优化你模型跑出来的结果,从简单思考损失函数、优化器这样的。

 

4. 面试 如果你简历里写了参加相关的项目,会问的比较深。

    问你,在这个算法里面你的理解到底有多深,损失函数是啥?公式推导是怎么样的?反向求导怎么求?为什么这么设计损失还书?

    算法工程师,一般会考虑的特质,思维严谨,细心,比如try exception finally这样的,对数据分布比较敏感~


思考

1. 当时自己看《神经网络与深度学习》这本书的时候,因为挖得比较深,其实在后面多半年的时间里并没有感觉到有用

   首先,你看完书后期一段时间进行的都是很简单的调用、改动,又怎么会觉得最基础的书有用呢?其实越基础的书在你越后面帮助越大,所以不要觉得书会白读这样子)。随着你水平的增高,不再是随意调用别人的模型,小改动别人的模型,这样的,这本书的帮助对于你自己来说,会越来越有用!(这其实暗合了你想学难的东西,更富有竞争力)

   其次,对于校招面试,这个还是有用的。

 

2. 自己寒假期间,认真学习了python数据分析常用的一些库,比如pandas,seaborn,plt这样的,后期一直用不上,而且学的呆板。

   首先说,呆板的问题,是因为扣的太细的原因吧,但其实很多东西他只是一个工具而已,你包括keras,caffe,TF,plt,都是你逻辑体现证明的一个工具而已,不要有畏难心理。其实你用呆板的方式学下就好了。

    还有就是自己老记不住,老翻笔记,这个其实一是用的少,二是英语不好,拿张纸,背单词那种,重复写他好多遍,一会儿就好了~~还是很好解决的~~而且这样自己写代码的时候,命名变量也会优雅很多

 

3.机器学习调包入门

   知道输入输出,评价指标是什么?先学会用,想再提高,再拿一两个深入了解一下,比如损失函数,假设函数,梯度怎么推,一两个熟了,再横向的加,越来越深。

 


见解

1. 数据结构,算法,C++,这些对于深度学习算法工程师来说,目前我了解到时,用于线上部署,工程化。时间复杂度,空间复杂度的优化等等,而这些就是传统的数据结构等要解决的问题。

2. 统计学习,是为了解释为什么我训练的模型能够对新的样本有很好的预测。

3. 贝叶斯学派基础主要是用于图模型。

4. 简历 不是说你的成绩,有多高。而是论证你为什么有解决能力的一篇小文章。

    项目的目标是什么?解决方案如果需要很多人的话,你自己可以充当什么样的角色,我的贡献是多少?算法的策略。

5. 刷题 数据结构算法不那么系统,有很多的小点,要多总结,理清楚演化递进层次

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值