Search
Analog Devices, Inc. (ADI)推出一款完整的狀態監測(CbM)開發平台: CN0549，旨在協助加速狀態監測硬體、軟體和演算法開發。CN0549能針對機械固定的寬頻寬感測器資料進行可靠的高保真資料擷取。該開發平台的開源軟體介面簡化了從嵌入式系統到應用廣泛的資料分析工具（例如MATLAB®和Python）之連接。CN0549支援即時振動資料處理，可加速用於預測性維護服務之機器學習演算法開發。彈性平台使所有專業工程師均可運用CN0549加速狀態監測開發，大幅降低開發成本和風險。
• 下載電路筆記：www.analog.com/CN0549
新品報到: ADI 推出狀態監測開發平台
Analog Devices, Inc. (ADI)推出一款完整的狀態監測(CbM)開發平台，旨在協助加速狀態監測硬體、軟體和演算法開發。CN0549能針對機械固定的寬頻寬感測器資料進行可靠的高保真資料擷取。該開發平台的開源軟體介面簡化了從嵌入式系統到應用廣泛的資料分析工具（例如MATLAB®和Python）之連接。CN0549支援即時振動資料處理，可加速用於預測性維護服務之機器學習演算法開發。彈性平台使所有專業工程師均可運用CN0549加速狀態監測開發，大幅降低開發成本和風險。
• 下載電路筆記：www.analog.com/CN0549
• 電路筆記影片：CN0549：狀態監測開發平台 | ADI
• ADI 狀態監測開發平台更多資訊
• 透過線上技術支援社群EngineerZone™聯繫工程師和ADI產品專家：ezchina.analog.com/
參考設計關鍵特點：
• 寬頻（DC至10 kHz）MEMS振動感測器，與現有符合IEPE壓電的介面相容
• 特有的機械安裝立方體，可實現MEMS振動感測器的全頻寬機械轉換功能
• 適用於IEPE感測器的寬頻、高保真資料擷取系統參考設計。
• 具有業界標準開源軟體的嵌入式閘道器，支援資料處理
• 藉由分步示例將振動資料以資料流傳輸到常用機器學習環境（例如MATLAB、TensorFlow和其他基於Python的工具）中以進行演算法開發。
https://www.analog.com/en/design-center/reference-designs/circuits-from-the-lab/cn0549.html
人工智慧在自動駕駛車的作用
作者 : Anton Hristozov，軟體工程師/研究員
2020-10-12
自動駕駛車輛(autonomous vehicles)在農業、交通運輸和軍事等領域開始成為一種現實，很快地我們也將會看到它應用於一般消費者的日常生活中。
自動駕駛車輛根據感測器資訊和人工智慧(Artificial Intelligence；AI)演算法來執行一些必要的操作，因而需要收集資料、規劃並執行行駛路線。而這些任務，尤其是規劃和執行行駛路線需要非傳統的編程方法，這就有賴於AI中的機器學習(Machine Learning；ML)技術。
自動駕駛車輛仍有許多任務面臨巨大的挑戰，必須採用更先進縝密的方法來解決。取代人類的認知和運動能力並不是一件容易的事情，還需要持續多年的努力。AI還必須解決各種不同的任務，才能夠實現安全和可靠的自動駕駛。
宅經濟下，你需要知道電競週邊整合方案
本文將介紹讓自動駕駛車得以實現的AI應用，並提出其所面對的挑戰以及至今取得的成就，另外也探討了相較於傳統軟體的AI本質差異。在後續的文章中將進一步討論在自動駕駛領域進行開發、測試和部署AI技術的特定挑戰。
自動駕駛車的AI分析
自動駕駛車是汽車產業中成長最快速的領域，而AI則是自動駕駛車中最重要和最複雜的組成部份。圖1所示為典型的自動駕駛車組成。
自動駕駛車對於傳送即時數據的感測器數量，以及對數據進行智慧處理的需求可能會非常龐大。而AI主要被用於現代汽車的中央單元以及多個電子控制單元(ECU)中。
由於AI已在機器人等眾多領域中得到應用，它自然成為自動駕駛的首選技術。結合AI和感知等技術承諾可提供更安全、更具確定性的行為，從而帶來燃油效率、舒適性和便利性等優勢。
開發像自動駕駛車這樣複雜的AI系統面臨諸多挑戰。AI必須與多種感測器互動，並即時使用數據。許多AI演算法都是運算密集的工作負載，因此很難搭配使用記憶體和速度受限的CPU。現代車輛是一種即時系統，必須在時域中產生確定性結果，這關係到駕駛車輛的安全性。諸如此類的複雜分佈式系統需要大量的內部通訊，但這些內部通訊通常易於造成延遲，從而干擾AI演算法做出決策。此外，汽車中執行的軟體還存在功耗問題。運算越密集的AI演算法消耗功率也越多，尤其是對僅依靠電池充電的電動車(EV)而言，這會是一大問題。
在自動駕駛車中，AI用於執行多項重要任務。其主要任務之一是路徑規劃，即車輛的導航系統。AI的另一項重要任務是與感測系統互動，並解讀來自感測器的數據。
很顯然地，提供一套完整的解決方案來取代人類操控駕車的是一項艱鉅的任務。因此，製造商們開始將問題劃分為更小的部份，並逐一地解決，以期透過小幅進展最終實現完全的自動駕駛。業界一直不乏新創公司或具顛覆性的公司試圖解決所有的自動駕駛問題，並曾誓言要在2020年實現完全自動駕駛車上路。如今看來，現實顯然更複雜得多了，AI本質上存在的一些問題帶來了很多障礙。
隨著AI的發展與完善，我們將越來越接近具有安全且自主行駛的交通運輸願景。在那之前，我們必須展開長時間的開發與測試，而最終是否採用則取決於消費者的信心以及市場驅動力。儘管比預期費時更長，但一切終會發生。
需求與要求已經出現了，技術也幾近完備。其實際應用可能或快或慢，這完全取決於法規要求。分階段實施是可行之道，從比較簡單和更具確定性的用例開始，例如先在已知環境中導入自動駕駛。如果僅在具有較少未知的特定條件下行駛自動駕駛車，則可以充份緩解所使用的演算法壓力。
自駕車中的AI應用
感測器數據處理
自動駕駛車輛在運行期間，無數的感測器為車輛的中央電腦提供了數據，包括道路資訊、道路上出現的其他車輛資訊，以及如同人類感知般地偵測到任何障礙物的資訊。有些感測器甚至可以提供比普通人更好的感知能力，但要做到這一點就需要智慧演算法，用於理解即時產生的數據串流。
智慧演算法的主要任務之一是檢測並辨識車輛前方和周圍的物體。人工神經網路(ANN)是用於該任務的典型演算法，也稱為深度學習，因為神經網路包含許多層級，而每個層級又包含許多節點。圖2顯示了這種深度神經網路，不過在實際的神經網路中，其節點數和層數可能更多。
為了分類物體，視訊輸入分析採用機器學習演算法以及最可行的神經網路。由於我們有多個不同類型的感測器，因而必須為每個感測器配備專用的硬體/軟體模組。這種方法允許平行處理數據，因此可以更快做出決策。每個感測器單元都可以利用不同的AI演算法，然後將其結果傳達給其它單元或中央處理電腦。
路徑規劃
路徑規劃對於最佳化車輛行駛軌跡並產生更好的交通模式非常重要。它有助於降低延遲並避免道路擁堵。對於AI演算法來說，規劃也是一項非常適合它的任務。因為這是一項動態任務，可以考慮到很多因素，並在執行路徑時解決最佳化問題。路徑規劃的定義如下：「路徑規劃讓自動駕駛車輛能夠找到從A點到B點之間最安全、最便捷、最經濟的路線，它利用以往的駕駛經驗協助AI系統在未來作出更準確的決策。」
路徑執行
路徑規劃好之後，車輛就可以透過檢測物體、行人、自行車和交通號誌來掌握道路狀況，透過導航到達目的地。目標檢測演算法是AI社群的主要關注點，因為它能夠實現仿人類行為。而當道路情況不同或天氣條件變化時，挑戰就來了。許多測試車輛發生事故都是由於模擬環境與現實環境的條件不同，而AI軟體若接收到未知數據，很可能會做出無法預測的反應。
監測車輛狀況
最具前景的維護類型是預測性維護。其定義如下：「預測性維護利用監測和預測模型來確定機器狀況，並預測可能發生的故障以及何時發生。」它嘗試預測未來的問題，而不是已然存在的問題。從這方面來看，預測性維護可以節省大量的時間和金錢。包括監督學習和無監督學習都可用於預測性維護。其演算法能夠根據機載和機外數據來做出預測性維護的決策。用於該任務的機器學習演算法屬於分類演算法，例如邏輯迴歸、支援向量機以及隨機森林演算法等。
收集車險資料
來自車輛的數據記錄可以包含有關駕駛員行為的資訊，而且這些數據可以用來分析交通事故，也可用於處理車險理賠。所有這些都有助於降低汽車保險的保費，因為具有更加確定的安全性與保證。對於全自動駕駛車輛來說，賠償責任將從乘客(不再是駕駛人)轉移到製造商。而對半自動駕駛車輛來說，駕駛人仍可能承擔一部份責任。
要證明這一類的情況將越來越依賴於車輛AI系統所擷取到的智慧數據。來自所有感測器的數據會產生巨量的資訊，隨時保存所有數據可能不切實際，但是保存相關數據的快照，似乎是獲得證據的折衷方法，這些證據可用於特定交通事件的事後分析。這種方法類似於黑盒子保存數據的方法，可以在發生碰撞事故後根據其中的數據進行分析。
附圖：自動駕駛在農業、交通運輸和軍事等領域開始成為一種現實，很快地我們也將會看到它應用於一般消費者的日常生活中...
圖1：自動駕駛/連網車輛。（來源：Lentin, 2017）
圖2：深度神經網路示意圖（來源：Beachler, 2019）。
資料來源：https://www.eettaiwan.com/20201012ta31-role-of-ai-in-autonomous-vehicles/?fbclid=IwAR3ynFHau_8Podk-XKuJWJnvDbxUOR_TeNH-HWNiv7qOHV8LDTQAKVI3HmY
聖誕節🎄🤶🏽🎅🏿 來點輕鬆的！😜 今天是平安夜～又到了一年一度我最喜歡的節日！今年因為疫情，很多人聖誕節不能團聚，也不能到處出去走走，只好宅在家。希望Blob Opera 可以帶給你多一點聖誕節的感覺！讓可愛療癒的像茄子的東西可以給你一點娛樂吧～✨💖
自己玩玩 Blob Opera 👉🏻 https://g.co/arts/H5sdzrJcbsKDA2jq9
第一台會唱歌的電腦 IBM 7094 👉🏻 https://www.historyofinformation.com/detail.php?entryid=4445
這期的影片不適合放在podcast就不放囉～
【㊫ 電腦科學/軟體工程 學習資源 📖】
用Scala學習函式程式設計
https://bit.ly/2IF0Thv
Scala 函数式程式設計原理
https://bit.ly/3kBQXTb
平行程式設計
https://bit.ly/3pCeaZf
Android 應用程式開發 專項課程
https://bit.ly/3lGCUwW
普林斯頓大學 電腦科學 演算法 基礎理論
https://bit.ly/3nxomAh
Go 語言學起來
https://bit.ly/35AWhlv
Parallel, Concurrent, and Distributed Programming in Java 專項課程
https://bit.ly/2IGnlH4
Java 軟體工程基礎課程
https://bit.ly/3fa4gJi
全端開發 跨平台手機app 開發 完整課程
https://bit.ly/2UCGWum
#還是比較喜歡交換禮物 #謝謝2020有你們 #聖誕快樂
一定要看到影片最後面並且在「YouTube影片下方」按讚留言訂閱分享唷！
-
每隔週星期四晚上9點更新，請記得開啟YouTube🔔通知！
-
【愛屋及烏】
YouTube 👉 https://www.youtube.com/c/Untyped對啊我是工程師
Podcast 👉 https://open.spotify.com/show/3L5GRMXmq1MRsliQt43oi2?si=3zgvfHlETeuGfp9rIvwTdw
Facebook 臉書粉專 👉 https://www.facebook.com/untyped/
Instagram 👉 https://www.instagram.com/untypedcoding/
合作邀約 👉 untypedcoding@gmail.com
-
【Disclaimer 聲明】
Some links are affiliated.
上面有些連結是回饋連結，如果你透過這些連結購買商品，我可以得到一些小獎勵，但不會影響到你購買的價格，甚至會是更低的價格！謝謝你的支持💕
【線上課程】《過好人生學》～讓你建立迎向未來的思維與能力！
課程連結：https://pse.is/H8JXH
第一講免費試聽：https://youtu.be/-EHOn0UxMys
不定期推出補充教材，讓學習無限延伸：https://pros.is/KQZZH
【8/3開課！】《人際回應力-看懂情緒，輕鬆對談》~第23期
一個人的命運，是回應力的總和！
課程資訊：http://www.koob.com.tw/contents/157
更多學員心得分享：http://goo.gl/Guc6V6
【線上課程】《自信表達力》～讓你不再害怕開口
從「敢表達、說清楚」到讓人「聽得進、會去做」的完整學習
課程連結：https://pse.is/RG5NC
第一講免費試聽：https://youtu.be/fAjySLoa2f8
不定期推出補充教材，讓學習無限延伸：https://pse.is/NUJK9
【線上課程】《理財心裡學》～擺脫家庭影響，從心培養富體質
課程連結：https://pse.is/EPBWE
第一講免費試聽：https://youtu.be/HgrDK7pqR-0
不定期推出補充教材，讓學習無限延伸：https://pse.is/NJ5VE
【線上課程】《時間駕訓班》～
學會提升效率，擺脫瞎忙人生，做自己時間的主人
課程連結：https://pse.is/DDDHB
第一講免費試聽：https://youtu.be/flfm52T6lE8
不定期推出補充教材，讓學習無限延伸：https://pse.is/GXZWM
【線上課程】《人際斷捨離》～
讓你留下怦然心動的關係，活出輕盈自在的人生！
課程連結：https://pse.is/E5MW5
第一講免費試聽：https://youtu.be/YyLvd1cNcDw
不定期推出補充教材，讓學習無限延伸：https://pse.is/LVRLY
【我們有Podcast囉～】歡迎到Podcast應用裡搜尋「啟點文化一天聽一點」訂閱我們！
Apple Podcast～https://pse.is/N2WCZ
Google Podcast～https://pse.is/PEN2Z
在Himalaya收聽～https://www.himalaya.com/ekoob
在Spotify收聽～https://pse.is/PQT76
在SoundCloud收聽～https://soundcloud.com/ekoob
桌遊【人際維基】～一玩就懂得別人的在乎：https://goo.gl/Ej4hjQ
到蝦皮購買【人際維基】：https://goo.gl/ASruqR
=========================
每個人都想要找到更穩定、更有保障的工作，不過我要提醒的是，要是你沒看今天的節目，到頭來，你可能只剩下一場空。
在收看影片之前，不管你是在Youtube還是Podcast收看或收聽，記得訂閱我們的頻道，你的具體支持，是我們製作節目的最大動力～
最近在網路上，有某些關鍵字持續的飆升，像是「企業紓困」、「疫情紓困」都引起上萬人次的搜尋。
而這些關鍵字的背後，也代表著在疫情平息之前，無薪假、失業這些問題不會改善，人們也很難恢復安全、穩定的生活；因此人們會傾向去尋找更有保障的工作，這也讓坊間的公職考試補習班，又熱門起來了！
公職補習班迷思
當然喔，追求安全、穩定本來就是人性，只是當我發現這些公職補習班，還用一些有一點不合時宜的標語，對求職者做宣傳，像是什麼呢？「參加銀行特考，就能擁有讓人羨慕的福利跟待遇」。
甚至是「書記官地位崇高，形象良好，進可攻擊他人之不正，退可保守自己親朋之安全。」這其實是一類的訴求喔，有一點誤導大眾的認知跟行為，我一定要來逆風發言一下。
那為什麼我會這樣說呢？台灣喔的「人工智慧」教父～李開復先生，在他的著作《AI新世界》裡面提到。
他認為人工智慧註定會顛覆世界，並且會帶來前所未有的經濟失衡，而眼下最直接的，就是在未來的五到十年之內，對於全球就業市場帶來的衝擊，很多一般人認定的金飯碗，很可能都會被AI取代。
白領失業潮來了！
李開復在他的書裡面，更進一步的指出，近年來，世界各國因為「無人銀行」的興起，各種AI的工具，已經可以承擔90%以上的金融業務。
再加上喔現代年輕人，普遍使用行動支付、網路銀行的比例越來越多；實際到銀行臨櫃的人越來越少，而第一線的金融人員的工作就此消失，已經是顯而易見的結局！
國外甚至於已經出現申請貸款，把資料送出到核可，不到幾個小時就能夠完成。
這裡的關鍵，就在於AI機器人已經掌握申請人的大量數據，可以在很短的時間裡面做完風險評估，而這些都是人類很難做到的事情。
再來，法院書記官的工作，就是掌管司法紀錄、編案、文牘、統計這些事務；講白話文就是「法院資料的輸入與管理」。
但你知道嗎？現在的科技，已經可以讓機器聽懂人類說話，同時呢在螢幕上轉換成精準的文字，準確率高達九成以上。
你想想看喔，假如準確率繼續提高，費用也越來越平價，法院或者是政府是不是有很大的可能性，會直接採購這樣的設備來取代書記官呢？
一來呢，大幅降低薪資的費用，二來呢，降低人員管理的問題；畢竟人類加班會抱怨，但機器不會有這個問題。
聽到這裡喔，你也許會好奇，以前聽說的AI、人工智能會取代的工作，那應該都是像工廠的工人，或者是體力活動的藍領階層才對啊！
那怎麼現在這些靠「腦袋」的工作，像是銀行行員、書記官，這些白領職業，也會被AI取代呢？
這是因為啊，現代的AI本質，其實是一種「深度學習」！那什麼是「深度學習」呢？
李開復先生在他的書裡面提到，深度學習是一種模仿生物智能的「神經網絡式」的學習方法。
簡單來說喔，過去的電腦只能執行單一程式；比如說，你希望機器人幫你到早餐店買三明治；那麼一旦輸入你家到早餐店的路線，機器人就會執行到底。
如果在路上遇到車它不會閃，遇到人也會直接輾過去，一直到抵達早餐店它才會停止，那是一種沒有思考、沒有應變能力的一個反應模式。
而神經網絡式的學習，則是透過數據資料，幫機器人建立起路況，可能會遇到的障礙物這些相關的應變資訊跟程式。
讓機器人可以在遇到阻礙的時候，先停下來，重新偵測、評估環境的狀況，再計算出成功率最高的路線，轉個彎重新出發，這已經是很接近人類能夠做到的靈活思考。
也就是說啊，在固定的場景底下，只要能透過數據，找到人類固定的「行為模式」，再請工程師把行為模式寫成「運算的程式」。
最後依據收集到的海量大數據，讓AI系統去做深度的學習，AI就能夠擁有思考能力，取代很多白領的工作。
容易被AI幹掉的二特點
從上面的例子，我們可以進一步的知道，符合以下二個特點的工作，很有可能會跟恐龍一樣，在地球上消失喔。
這二個特點又是什麼呢？第一個、那些資料、流程可以編碼的工作；第二個、人際互動頻率很低的工作。
打個比方來說，就像是現代的醫檢師、放射科的醫師，或者是銀行行員，他們都是在固定場景底下，專門分析數據跟資料，再不然就是工作流程有明確的SOP。
工作內容固定，而且有一套嚴格的作業流程和評判標準，不會有太多參數的變化，就很容易被編碼，而變成一條程式。
在未來呢，凡是可編碼的流程，再讓機器人通過大量數據的深度學習，就能夠快速的優化，任何動作都會比人類更快、更精準，而且可以一直進步，還不會喊累！
我們與AI的距離
要是你聽到這裡還半信半疑，感受不到AI對於職場的全面破壞，那麼我再提供一個更貼近你我的事實～
台灣的知名品牌～華碩電腦，在他們關渡總部的13樓，已經有一個130人的AI團隊，成軍了16個月。
而負責領軍的華碩全球副總裁～黃泰一先生，他就表示喔，華碩的AI團隊，已經鎖定醫療、交通、零售這三大產業的數據池，累積使用者的數據資料、網路足跡等等的一切。
透過這些進一步的為零售店家、醫院、輪胎業者，建立起節省人力、降低風險，而且能夠精準行銷的演算法系統。
幫助華碩在他們的未來，能夠透過大量的數據，以及資料跟資料之間的相互運用，所產生的商業價值來賺錢！
儘管現階段呢，華碩只針對醫療、交通、零售這三大產業在搜集數據，不過可以想見的是喔，只要精準的演算法系統建立；商店它是不需要店員，醫院它可能也不太需要醫檢師，輪胎製造廠不需要工人。
而未來這三大產業所需要的「人力」，將以跳崖式的速度往下滑。這也間接證實了李開復先生，在《AI新世界》這一本書裡面所預告的。
他說：「在未來的5～10年之內，現有的50%工作，將會由AI取代」！
所以拉回來看，只要你有稍微留意時事，你一定知道現代的公務人員、銀行行員，就算寒窗苦讀多年考了進去，福利和工作的輕鬆度，也都大不如前了，更別說他們的未來和發展。
也就是說喔，要是你忽略真實職場上正在發生的變化，那麼很有可能等到你花錢、花時間努力考上公股銀行的行員啊、書記官啊...等等的，卻只能做個幾年，就被裁撤了！
這樣的投資報酬率，你覺得划算嗎？算一下喔！會不會你以為自己考到一個安全可靠的資格，但是真正得到的，卻是更高的失業風險！
你想因為「眼前」短暫的穩定，而把自己放到更大的危險裡嗎？如果你不想，你可以選擇現在就打開眼睛，開始為自己的未來做準備～
假如你很想要為自己打造不敗的未來，讓自己的求職、轉職之路，擁有更務實的安全跟穩定，我會很鼓勵你參與我們啟點線上學苑～【過好人生學】這一門課的學習。
人工智慧的時代已經來臨了，但我們卻還用舊時代的工人智慧的腦袋，在面對自己的人生，你曾想過這是為什麼嗎？
其實答案很簡單，那就是「終極選項」和「路徑依賴」這兩大迷思，困擾了很多人。
在【過好人生學】的課程裡，我就會陪伴你去看見「終極選項」這樣的觀念，它的危險之處。
它在於喔，人類的大腦一旦認定當我們「找到了最好的答案」，或者是「最好的鐵飯碗」之後，我們就不再動腦筋思考了，所以會看不見鐵飯碗早就成了破飯碗，千萬別碰！
而「路徑依賴」呢？它是指喔，人會習慣用過去的經驗，想現在的事，然後去預測未來。
比如說吧，你念醫學院，所以就只能當醫生；再比如說，你過去在某個行業，所以你在轉職的時候，就只能做相關的行業。
而弔詭的是，如果過去的經驗能夠適用於現在，還能夠幫你預測未來的話，那每個人都是半仙了啊，也不會有失業的問題、找不到工作的狀況了，不是嗎？
所以呢，無論你是白領，還是藍領的朋友，我想要跟大家說的是喔，未來AI的潮流肯定是沒有辦法阻擋的，無論你想不想面對，它遲早都會來！
不過我也很肯定的告訴你，在我們失去「舊工作」的同時，這個世界還會增加許多的「新工作」。
只要你願意改變，跟上腳步，某些你覺得沒有什麼的工作，其實都潛藏著非常大的人力缺口，值得你好好的關注。
而幫助你換個腦袋，轉換成智能思考的第一步，就是歡迎你加入我們的線上課程【過好人生學】。
【過好人生學】從即日起，到6/12晚上十二點止，我們將推出季節限定的1413的優惠價～
我一直相信喔，未來仍然是充滿希望的，在【過好人生學】裡面，我會用最淺顯易懂的話，點破你對於生涯的迷思，幫助你移除20世紀的思考遺毒，發展出最適合21世紀的生存策略。
我還會幫助你繞過三個心智的陷阱，陪伴你一步一步的去建立起，新時代必備的四大能力，你將看見自己的更多可能性，並且懂得轉換自身的專業，幫自己規劃1413、一世一生的生涯藍圖，過上一個更好的人生。
歡迎你加入學習，也希望今天的分享能夠帶給你一些幫助，我是凱宇。
如果你喜歡我製作的內容，請記得訂閱我們的頻道，YouTube收看的朋友，除了訂閱之外，記得把訂閱旁邊的小鈴鐺打開。
而Podcast收聽的朋友，除了訂閱之外喔，也請給我們5顆星的評價，並且把它分享給你身旁的朋友，我們需要你用最具體的行動來支持我們。
然而如果你對於啟點文化的商品或課程有興趣的話，如同今天提到的【過好人生學】，我們季節限定的1413優惠，陪伴你一世一生。
歡迎你的加入，更期待你在學習之後的發現；那麼今天就跟你聊到這邊了，謝謝你的收看，我們再會。
資訊系統開發工程師我們透過機器學習與深度學習演算法開發你將實現在校所學的各種知識於未來成為指導各單位使用「人工智慧」的關鍵角色！ 在人工智慧的幫助下不僅能 ... ... <看更多>
實用機器學習： 這個方向主要是查詢資料庫、數據清洗、寫腳本來轉換數據，把演算法和函式庫結合起來再加上一些客製化的程式，從數據中擠出一些準確的答案來證明一些困難且 ... ... <看更多>
機器學習演算法 工程師 在 Re: [請益] 想從零開始轉行當AI軟體工程師- 看板Soft_Job 的推薦與評價
來用自己的例子勸退一些想跳機器學習的人
首先是數學程度，
我是數學系的，什麼線代，微積分，機率，統計的都很熟其實工作也會用到，
描述一些比較有印象的工作用過的數學，
比較有趣關於微積分的經驗:
老闆把問題用一個式子 exp(-rx)*((1/delta)*sqrt(A))*exp(-x^2/(A))來解釋，
並要對x積整個實數範圍。
在場大家都面面相覷我就被要求積了。
但這其實不難積，就高斯積分，有背整理一下秒解，
沒背也不難推。我大學微積分沒在背的所以是當場直接推，然後才繼續那場會議。
機率統計就那些常見的像是:
在一堆數據中給一些想法假設然後檢定，
或是想辦法對一直變動pattern的資料去建對應的機率模型。
但我具體數學程度到哪，舉兩個例子一個是深度學習WGAN一個是經典的random forest。
https://arxiv.org/pdf/1701.07875.pdf 這是WGAN。
https://link.springer.com/article/10.1023/A:1010933404324 這是RF。
基本上裡面的純數推導我幾乎都理解，
WGAN用到實分析跟線性規劃，
RF則是機率。
以上大概描述一下我的數學程度。
接著是我的電腦技能，
我熟悉的語言有C++跟PYTHON，基本上各有兩年以上的工作實務經驗。
python就絕大部份公司機器學習用的語言不解釋。
C++曾被公司要求所有演算法都要自己刻，這之中還包刮神經網路，
連 backpropagation 都要自己刻，
然後資料結構演算法，計算機組織，作業系統都讀過。
至於程度到哪我也不好說，我自知去參加程式比賽會被電死，但基本程度應該是有。
資料結構的程度至少是在刷題的時候不會卡在"天啊這個是什麼資料結構"，
跟曾經在工作被要求刻了一個紅黑樹，雖然我現在忘了而且skip list太好用。
演算法就刷題的時候不會無止境一直設條件，
會嘗試用一些演算法想法比如 divide and conquer or dp 來解題。
計組作業系統就是那些什麼cpu pipeline 記憶體管理緩存設計都懂。
資料庫則是公司用什麼我就學什麼。
機器學習的部分就是幾乎現在大家喊得出名字的我都可以實作，
有要證明的模型我都可以證明，不過需要回憶準備一下哈哈因為模型太多沒全記。
大致用書來表示一下我懂得大概範圍好了。
https://www.deeplearningbook.org/
deep learning 的經典不解釋。
https://www.cs.cmu.edu/~tom/mlbook.html
machine learning 也算經典但很老的一本了。
https://www.tenlong.com.tw/products/9787302275954
各種經典的機器學習模型的推導書，雖然這個作者幾乎只是翻譯論文，但翻的還滿好的。
新技術太多我就不提了我都有在追。
以上大致描述一下我的程度，目前的結果是我近半年完全找不到工作XD
不管國內國外，丟履歷都沒回覆，基本上連面試機會都沒有。
搞得現在只能送foodpanda，
真的是能力不足阿...
希望這慘痛的經歷能拯救還想再跳AI的人阿。
==================================================
發現太多人執著實作的部分，其實要求手刻的只有一家公司，雖然我也在那邊做很久
除了那間公司其他的我也是用包啦，Tensorflow，cntk 之類的都會用。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.137.88.3 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1636524507.A.D68.html
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:12:47
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:23:19
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:31:53
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:42:43
改丟國內的國內也都沒回覆，慘
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 14:54:17
爛的資料神經網路無法處理因為神經網路是強逼近，就垃圾進垃圾出
但數學反倒可以找到很好的方向，
比如說我處理過那種雜訊很多就算了，哪些是雜訊還都不知道的數據。
方法就把資料換個方便我弄成隨機過程的樣子，
然後抽特徵的時候隨機，根據大數法則我可以期待他會逼近一個我要的值，
且也可以淡化雜訊的影響畢竟是隨機取，最終效果很好這樣
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 15:16:24
我只是想表示這麼基本的東西我都有公司也是不要阿
真的要說的話不然你試著準備一下那個WGAN的中為什麼Wasserstein比原本的GAN的cost function 還要好的證明然後試試?
最好還要問李航那本書沒有的，像是PCA為什麼是用特徵值，還有上面說的RF為什麼可行
L1 L2 為什麼會有那些效果怎麼用數學分析，BLABLABLA的
哀我真的只是想勸退還想進AI的人啦
這個東西真的水很深而且缺很少啦
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 17:34:07
不過主要是我都把時間拿來唸書了。
我沒在經營github，我是不知道自己的讀書心得丟那有沒有用，
我應徵時到是有附一些讀書的筆記，
像是上面提到的GAN的一些東西，為什麼強大，為什麼難訓練，WGAN為什麼強大，
能怎麼修正的一些整理都一起寄過去，展現我不是嘴巴說說有在讀書，是真的有在讀深入的
且工作上工也有用到，但一樣沒用哈哈哈哈
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 18:04:21
所以我才真心建議不要再跳進AI了，沒想像地這麼美好
本職學能持續精進，有需要再碰就好了。
其實我在找工作，現在大部分的缺都是傾向:他們方法有了。
機器學習工程師就是架構一個data pipeline，然後建模型訓練，接著實際應用。
最終就是要自動化。實際有關機器學習的問題去跟公司的data scientist 討論即可，本質?
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 18:11:18
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 18:13:02
kaggle還要考慮我手邊的的裝備，所以能做的題目大概也都是那些普通的題目
最主要的問題就是我學經歷不夠，所以我相信現在有想跳AI的一定都是一樣的狀態
所以這篇的重點一直都是:拜託，別在專門跳機器學習的領域，好好點高自己的技能比較實?
而不是討論我為什麼沒工作沒面試阿。一直討論我為什麼沒工作不是很好笑嗎= =
現在就是僧多粥少，不只如此，那些還不是僧只是剃光頭阿。
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 18:56:44
不過撇開這個，我是有考慮分析不少事情。
而結論是:
那個時間成本不如拿去刷題，從SDE的路進公司，在從公司內部轉比較有機會。
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 19:02:56
其實我不強啦哈哈我不是四大數學系的哈哈，我只是愛讀書而已。
其實專案量化成績是有啦，但我不知道是不是命運使然還是怎樣。
我舉的這個例子，是我進公司之前他們搞了快兩年都沒結果，因為一直在用傳統的CNN做
真的是各種花俏CNN，連deepfake都被拿來用
但我進去觀察一下資料就覺得不適合，所以花了很多時間在搞數學方法
然後撇開新創有的沒的雜事和動不動就換目標，七八個月後也是不容易地搞出來了。
然後老闆很高興地拿去做了一些事，後續的一些計畫也開始在動時，老闆走了...
結果業務端好像都是老闆在搞，老闆一去世公司就炸掉了。
所以這個就沒下文啦，後續是有人私底下要跟我買，我覺得麻煩也不道義就沒賣了。
但我其實不想講太細節就是因為這看起來超像嘴砲，所以想著重在方法跟技術知識面而已
不過就算被當嘴砲也沒差反正人生是我自己的哈哈
所以我比較願意刷題而起也滿享受的。但請注意我知道這之中的差異，
KAGGLE"可能"會讓我"多一點"面試的機會，而刷題會讓我現階段往SDE的方向走。
我刷題是為了增強自己的能力，而不是為了"機器學習相關工作的面試"
不過話說回來我真的覺得太聚焦我的狀況了
直接說我目前的打算，我還想工作只是為了存點應急錢去唸博士，
現在應該就是不會在嘗試存應急錢直接去唸博士，我也確定我愛研究，
我直覺判斷我讀博時intern應該會好找，應該啦。
所以大家別在聚焦在這個啦哈哈哈
※ 編輯: stmilk (223.137.88.3 臺灣), 11/10/2021 22:11:49
當時我處理的影像超稀疏的。gan難train是在那個模型非常
容易被一個函數分開，也就是可以找到完美的discriminato
r，這是這兩個機率support的問題，而且條件還不用是這兩
個support不相交，只要幾乎處處不相交就可以，這個至少廣
大的實驗告訴我們非常容易發生。所以本質上只要是那個co
st function，初始值不好不管做甚麼調整丟什麼模型進去都
會遇到這個問題。然後可能是我的處理的影像真的太稀疏，
應該是可以理解成這個pattern的support超小，基本上根本
train不起來。所以我那時的想法是就是想要一個理論上直接
可行的結果。這樣我不用把模型弄得巨爆幹複雜，設計一堆
有的沒的只為了能先train，與其想辦法各種嘗試引導訓練，
抽象地說就是想辦法找一個先驗讓兩個pattern的support能
重合。不如直接一個理論可行的再去處理wgan模型的問題,因
為比較具體有方向。順便說之前的別組也是各種花式加self
-attention在decoder和encoder中也是沒用，至於原因因為
不是我做的我沒去也不想去深思，或許也可以就是~可能有錯
，多包涵啦。
※ 編輯: stmilk (223.137.88.3 臺灣), 11/11/2021 01:46:54
※ 編輯: stmilk (223.137.88.3 臺灣), 11/11/2021 01:56:19
我稍微想到可能比較有創意(?)你可以嘗試的方法。
從sample的特徵下手，而且我會傾向不用up sample因為我不喜歡人工數據XD。
雜訊很多的情況就上面有提到，從sample中隨機取特徵，然後創個新sample。
但因為我的問題是哪些是雜訊也不知道，
所以這樣的好處是資料都是是自然環境產生的，
我不用去考慮這樣取是不是會有bias，反正隨機數拉高一定會逼近我要的樣子。
注意如果特徵彼此之間獨立性高，這樣做會有問題，
依我的經驗我還想不到哪些可能的題目可以用這個XD
然後是特徵少且彼此獨立性高且樣本數也很少的話，
這種的就麻煩因為你的資訊本來就少，大概只能用加雜訊的方式去up sample了，
然後是特徵少且獨立性高然後樣本高，那這樣我會採down sample，
我現在直觀想到就 greedy 地去做。
先根據你的問題，觀察哪個特徵最重要(簡單的方法就隨機森林)，
從這個特徵來看聚的狀況，但注意這個聚集狀況可以用不同的方式來定義，
就是用不一樣的距離公式來嘗試，
把這個群體中sample數偏高的類別刪掉一些，
基本假設就是因為這個特徵影響大，
那又特別多的sample聚集在一起的東西可能影響會太大有bias
同樣地你可以反過來從不重要的特徵下手去砍，這樣對整個資料的影響會最小
然後反過來特徵多且獨立性高樣本數多，因為這種狀況可能會有為度災難的可能
所以會特徵一起砍
觀察不重要的特徵的聚的狀況，
直接砍掉這個特徵，並砍掉不平衡的那個地方，然後一直持續到樣本平衡
特徵多且獨立性高樣本少，其實會發現樣本少就是麻煩，
所以我一樣會砍最沒影響往上的特徵，然後觀察從最重要往下的特徵的群，
去砍裏面不平衡的那方
不過樣本數少可能會有問題，我應該還是傾向up sample就是
然後我現在想的到的終極狀況之一是特徵沒有特別的群聚現象，
因為這個太抽象可能個別問題有不同的方法XD
在目前抽象的假設下我只能建議加雜訊 up sample
或是隨機去 down sample
以上你參考一下，但畢竟我不知道你做的題目，
所以我盡量先考慮比較一般只考慮抽象特徵的情況了
但對某些特定題目不一定可行你要小心使用哈哈
最後我上面除了雜訊那個都假設獨立性高，這個可以很簡單地用PCA達成，
所以如果你想要維持原本的特徵，不用獨立性高的假設其實應該差別也不大
對不起我昨天其實滿累得沒注意到你應該就是問樣本數很少還稀疏的情況，
樣本數少的時候方法想得很混。
如果樣本數少，並假設超級極端狀況99%比1%。
一樣觀察特徵附近(注意這個"附近"一樣是根據你的距離定義，根據不同問題是用的距離定義)，
因為資訊實在太少，基本只能假設這個樣本附近可能會有同樣的標注。
所以從附近去生成樣本，
如果這個某個標注還在另外一個標注的某個聚落附近，你也可以考慮降低這個聚落的影響，
就是在這個聚落去砍掉多數的樣本。
其實概念上都差不多，就是根據你的問題，看有沒有某些前提資訊可用，然後去resample。
根據你的問題，這個特徵的選法就不同，探討聚落的方式也不同(像是KNN，T-SNE)。
若是你用的是隨機森林的方法，你甚至可以考慮把這個算法啟發化。
其他的方式想啟發化也不是不行，但是就是沒有tree model這麼乾淨俐落就是
以上就是我目前想的到的處理方法哈哈
※ 編輯: stmilk (223.137.88.3 臺灣), 11/11/2021 21:46:44
※ 編輯: stmilk (223.137.88.3 臺灣), 11/11/2021 21:58:18
※ 編輯: stmilk (223.137.88.3 臺灣), 11/12/2021 12:27:45
... <看更多>