更最前言: 抱歉文章一直中英夾雜,但有些詞彙翻成中文實在怪怪的,也表達不出英文講者的原意.

前言:
今天是鐵人挑戰的第一天!
今天的我其實已經算進入台大碩士班一個月了,在八月中開始進入實驗室跟著學長學習ML相關領域,一開始真的是程度太差,基礎也沒打穩,大學時只有聽聽講座,專題製作時也使用當時指導老師自己開發的程式來玩玩看深度學習,勉勉強強算是知道在幹嘛吧!?
剛開始學長真的就是丟一堆線上課程給我看,幫助我入門,但我自己覺得應該還可以再給自己多一點成長的資源,因此無意中加入了AI tech,pytorch taiwan等等FB社團,在其中我大開眼界,原來強者真的很多,也因為這些前輩願意在上面分享,讓我看到了很多資訊,其中google study jam 和 IT鐵人賽就是我的成長養分,我想記錄自己成長,很多資訊與前輩分享就成為我自己進步的原動力.

本文:
這次Google study jam 進階提供了5個課程可以在coursera 上學習,並且每個課程都是由google的專家來上課,你可以透過看影片的方式學習到真正業界的人的思維與碰上的問題.
第一個課程: How Google does Machine Learning: 其中分成5個modules

今天我介紹Module1 大概講什麼,與身為台大碩士班的學生(以前沒有基礎)的觀點:

Module1 Learning objective: Use machine learning to transform way you do business.
沒錯就是"business",身為學生的我一開始想說這跟我還離得太遠,應該不重要,但我還是耐著性子慢慢看,直到發現自己在無意中已經漸漸具備與真正在業界商場中打滾的社會人的思維後,我又把這部分重看了一次,我認為這對學生也是有好處的,可以站在巨人的肩膀看清楚局勢,在資訊爆炸的現在尤其重要.課程給你"real world introdution to machine learning",在其中的舉例都是GOOGLE在業界可能碰到的問題.我一開始認為的是他會趕快教我寫code!後來才發現這堂課的用意不是如此,是我對於這堂課的期待錯誤,這堂課給你一個大方向,幫助你以現實狀況來了解machine learning,而不是對於他有過度期待與幻想,就如同我對於這堂課一樣.
ML:
第一步就是為甚麼使用ML? 如何定義適用ML的問題? 實際上用ML有甚麼幫助?
第二步: 收集資料 + 熟悉各種ML框架(tensorflow,pytorch...)
第三步: 增加ML model的準確度(tricks and skills)
第四步: ML at scale: Link lab ML model to real world product(end to end)
第五步: Specialized ML models:

我認為以上這種思路對我來說是比較新穎的,在之前我只是學生,只知道機器學習,深度學習很厲害,我想要趕快學演算法,網路架構,怎麼寫成code?卻從來沒有從一個實用的價值上去探討,而現在我是碩士生,之後要開始以這種思路去想,怎麼樣的ML model可以被用在實用性層面,講白了就是當自己是老闆,做出來的東西有沒有價值,是不是其他人做過的等等......
另外課程中不斷強調data的重要性,該怎麼收集,整理,理解等等,所有的成敗很大部分決定於data,因此data engineering是非常重要的能力,這提醒我應該要去補強資料處理的技能,並且在之後碰上失敗時可以從data方面下手的觀點.

以上module 1心得分享.以此紀念自己努力的痕跡.