c*******k
发帖数: 1 | 1 EE phd 第一年，做的 computer vision/machine learning 相关工作，毕业的师兄基
本去了industry, 有些人是码工，有些是做research， 不过也偏向coding而不是发
paper。现在 C++, matlab 都会用，也有比较大的project, 但跟 CS 科班的肯定有差
距，所以想请教下如何提高 相关 CS 能力，比如 algorithm 之类的。
多谢~ | k**********g
发帖数: 989 | 2
真没听过 postgrad CV / ML 抱怨算法不及科班的 CS 。
The only possibility this could happen is if someone only learn MATLAB,
Python and not any other languages.
论面试中的算法，无非就是刷题。从 CC150, EPI 选一部分认真做做就过关了。
从学院转到工业界的最大冲击，是不能再『use the best tool for the task』，因为
各种可以在学术界使用的软件、语言、类库、专利算法都因为各种商业原因（就是
licensing cost / patent issue）不能使用，以致要从头开始写一遍。
CV 和 ML 都是现在招人的热门技能；只要找工作时撒网够深，不是马虎只投两三间公
司，应该是可以找到对口而待遇不错的工作。
尽量把研究方向推到使用数据量较大的范畴（就是能够收集大量原始输入数据、或者已
经有对学术界开源的研究数据资料库）。
Examples of research databases I used (back in 2006) : FRGC 1.0 and 2.0
dataset, CMU PIE. (For comparison, my desktop had 4GB RAM at that time.)
Nowadays the available datasets should be much bigger.
你的研究不一定要在大数据领域内创新（因为你的领域是 CV 和 ML ），但你将是以使
用者的身份，学习使用现有的大数据工具。
涉及 ML 的大数据工具内容大致是 Indexing and Retrieval, Supervised and
Unsupervised Labeling (i.e. semi-supervised labeling), Distributed
Algorithms, Distributed Computation.
底层的事情，诸如 SQL/NoSQL 和 Computer Networking，已经有人安排妥当。（就是
你所说的 CS 科班）。
Links
FRGC: http://www.nist.gov/itl/iad/ig/frgc.cfm
CMU PIE: http://vasc.ri.cmu.edu/idb/html/face/
【在 c*******k 的大作中提到】
: EE phd 第一年，做的 computer vision/machine learning 相关工作，毕业的师兄基
: 本去了industry, 有些人是码工，有些是做research， 不过也偏向coding而不是发
: paper。现在 C++, matlab 都会用，也有比较大的project, 但跟 CS 科班的肯定有差
: 距，所以想请教下如何提高 相关 CS 能力，比如 algorithm 之类的。
: 多谢~
| y****g
发帖数: 113 | 3 多写写练练，把需要搞熟悉的算法搞熟悉就好了。搞Research就是哪里不懂学哪里，很
难说是专门花时间抱着书啃了 | i***l
发帖数: 32 | 4 感觉ML对数学要求还是挺高的
读了些paper，满眼公式 | i***l
发帖数: 32 | 5 另外搞ML研究
似乎两个路子
一个是应用型的，主要是拿已有的方法去套一些有意思的数据，或者量比较大，需要些
调整,有些需要跟具体数据相关的知识
还有就是偏理论的，开发新方法，新算法，主要跟已有的比较，说明新方法的优势
本人目前是外行，只是随便看了看相关的东西
欢迎指正 |
|
