@pingooo - 幾乎每個申請實習的學生都說做過機器學習、訓練過模型，真的是喔，天上樹葉掉下來都落在...

對於 ML 風潮，
我覺得論文要看多一點。 要謙虛地看各家專長，自已再去想想下一步。

我腦中思考是三個方塊：
a.創造或改良 新的ML 方法。
b.如何判斷 ML 有效性。
c.ML 如何去改進 ML。

長遠目標不用自已寫程式. (遠目

因為是Learn，所以應該還很多元才是

餵進去跑出來 有很多眉角。

ML 的瓶頸早已不是 ML 本身，而是在 edge platform 的各種工程問題。要怎樣讓 model 更小、跑更快，但是又不會降太多的準確性是我之前還在 DT42 的時候看到比較多人在想辦法解決的。

一般的開發者碰到的即使是 training 的問題，也只是資料的品質，以及要怎麼 augment 資料好在有限的資料內提昇訓練的品質問題而已，我覺得即使是這個地步也跟真正的 ML 研究脫離有點遠了。

其實就是上面講的「餵進去跑出來 有很多眉角。」啦。