wildskyf
commented
8 years ago @d2207197 太 crazy 太強大啦，我是到了大學才開始寫程式的QQ 真的沒什麼故事能說嗚嗚，非常認同最後一句話：
與其怪環境沒給你機會，不如怪自己沒趁早往外走。
因為我也覺得自己浪費了不少時間在學校內做不是那麼有意義的事情（整個大一都是空白的 :cry: ），所以現在也很努力地把學弟妹推出去XD （雖然好像成效不大Orz
Open maoyang opened 8 years ago
wildskyf
commented
8 years ago @d2207197 太 crazy 太強大啦，我是到了大學才開始寫程式的QQ 真的沒什麼故事能說嗚嗚，非常認同最後一句話：
與其怪環境沒給你機會，不如怪自己沒趁早往外走。
因為我也覺得自己浪費了不少時間在學校內做不是那麼有意義的事情（整個大一都是空白的 :cry: ），所以現在也很努力地把學弟妹推出去XD （雖然好像成效不大Orz
v123582
commented
8 years ago 有機會跟隨 @d2207197 學長修課，成長不少！ 給推 :thumbsup::thumbsup::thumbsup::thumbsup:
有點瘋狂的 SA 與 Programming 啟蒙
相信許多玩電腦的人都走過幫人組電腦的時光，那大概是從我國二開始（這樣故事好像起得有點早）。高中因為對電腦與網路的濃濃熱誠接手了 BBS 的管理，也開始了 System Administrator 與 Programming 之路（就說學生時代也有故事可講）。FreeBSD、各種 Linux distros 都玩遍，幾乎各種 services 都架設管理過，也嘗試開始改 BBS 的 C Program。沒有上過程式課，看了一晚的 C++ Primer 就去參加程式競賽，勉強寫了幾題，最後敗在看不懂 compiler error messages 在說什麼。O'Reilly 或其他電腦的書一本一本的看，舉凡 Bash、Perl、Apache、ProFTPD、Postfix、Bind、LDAP、Thinking in Java、C++ Primer、C programming language (K&R) 等等。接下來 intern 與外面的 case 大多都是 SA 相關。也經常泡在網路上回答 linux 相關問題，最瘋狂的時期，全電腦的套件都是自己 compile 且想辦法最佳化。玩遍 window manager、desktop env，甚至在純 console 沒有 X-win 下生活過幾個月。當時天真的目標就是想當個 Debian maintainer，或是弄個自己的 distro。
從 IC design 轉向 embedded system
到了大學，莽莽撞撞地進了電機系。但不可否認 programming 相關的課程才是我的菜，凡是相關的課程都覺得特別有興趣。經常翻 glibc 的 code，看看高手都怎麼寫的。例如要學 qsort 比較好的寫法當然翻出 glibc 來看。因為都使用 GNU/Linux 平台，當然也以 GNU development tools(如 makefile, gdb) 為主要的開發環境。 Visual C++ 是完全生手。沒事寫 CGI 做網頁，也寫些小玩具玩。由於學校的課程也不算輕，在高度壓力之下，我停止了瘋狂的 unix-like 平台專研。除此之外，在大四前都還是專心學習 IC design，修課都以 IC design 為重心。直到大四跑去輔資工系，才深深覺得走錯科系了，修課都覺得相當輕鬆且有趣。仗著對 Unix-Like SA 的多年經驗，覺得玩 embedded 搞 base system 與 kernel 非常上手，也就玩了一陣子。寫寫 C 也寫寫 Asm。整個大學歷程 Asm 也算簡單玩過三套。
NLP 與大資料處理
因為朋友的因素，幫忙 NLP 實驗室弄 Hadoop cluster 以及管理。接著也就誤打誤撞的進了那個實驗室做研究助理。跟著開始學 NLP 的一切，寫 Python、修課、看論文、發 paper。當然還有實驗室的許許多多雜事和 server 的管理。（當時實驗室約有 14 台 server，其中 8 台是 cluster，兩台 windows server）。由於 NLP 的資料通常也相當大，原始資料動不動幾十 GB，計算結果可能上 TB。正好跟上了所謂的「大數據」時代，開始玩了很多大資料處理的 framework 與 tool、platform。我們實驗室的研究成果也經常做成網站，所以也接觸了更多 web backend、frontend 的東西，舉凡 MongoDB、MySQL、DynamoDB、HBase、Redis 等 database 或是 Django、Flask 等 framework，什麼紅什麼好玩就用什麼。做研究之餘也要讓成果能漂亮有效的 demo。相較於業界要固守原本的 code base，在學界隨時想玩新花樣都能玩。之後覺得繼續待著有無訪，就推甄進研究所繼續留在那個實驗室，一樣的工作繼續做。只是修課有學分，畢業有證書，渾渾噩噩的日子繼續過。一間實驗室學習，總是專心在某個題目或方向的琢磨。不廣，甚至很狹隘。不太會管其他領域常用的方法，甚至同樣是 NLP 的技術也不見得會廣泛涉略。發 paper 找到 gap 比學習一個真的很有效很棒的作法來得重要。實驗室的作業模式通常也都比較各顧各的，缺乏能共同成長的同儕，一代換一代，不容易有經驗累積。研究之路並不開心，很難有團體共同目標。儘管自由，但不相關的學校雜事很多。軟體開發技術也比較守舊，新 tool、新 libray、當紅的 framework 大概都只有自己在玩。待久了，能學習的越來越少，要付出的卻越來越多。當然也就迫不及待想離開了。
（回應上一篇分享。我在實驗室推過 git 但失敗了，在學校常常收到信寫「麻煩給我 XXX project 的最新版 code」，然後我就把 public github repo link 再寄一次過去 Orz。對方就 download zip。Orz Orz。真的入手的第一套 VCS 是 svn，然後是 hg。）
廣泛涉略學習 Data Scientist 技能
原本以為做 NLP，在 machine learning、datamining、information retrieval、big data 已經算玩不少了。研究所修課也都著重在相關領域。畢業後自然走向 Data Scientist 的路。但就在差不多時候，去上了 Andrew Ng 的 Machine Learning。就跟這篇 LEARNING MACHINE LEARNING - SOME PERSONAL EXPERIENCE(Arthur) 文章的作者一樣，儘管 Andrew Ng 的課不算是很深的課程，但卻讓我推翻了自己，驚覺我以前根本不熟 ML 啊。過去太縮限自己在 NLP 的常用方法，而忽視了太多可能。許多 Algorithm 也只是用而不知其所以然。
這是一張很可怕的圖，列了 Data scientist 所需要的技能。也跟所在公司狀況有關，一人 Data Scientist + Data Engineer。知識的廣度比絕對的深度來得實在，永遠不知道下一個 task 需要怎樣的技能。在 Andrew Ng 的 ML 課之後。也持續的找 online course 或是書籍學習，諸如 online learning、deep learning、statistics。Backend、ETL 與 visualization 的東西也持續在涉略。在必要的聚會與休閒之外，所有下班時間都在進修。但相較於在學時，就業後的學習更有方向也更專心（畢竟時間少）。這時候想到似乎翟大講的，工作需要的技能進修也要算薪水，這時候真的很希望是這樣啊。
未來與總結
接下來的計劃？恐怕是換到一個能夠成長更快的環境。就跟實驗室一樣，能學習的東西比不上付出時...。但對於工作的選擇，我也很希望我手上的產品是我有興趣且認可的。算是標準 3C 控心態？
整體來說是一個很繞路的學習經歷。玩過很多東西，也不斷轉換跑道。有時候興趣太廣泛並不是件好事。因為好奇想學走了歪路，也因為好奇想學找到了新的興趣，因為對許多事都很好奇，永遠不知道下一步在哪。現在擅長的技能也不代表就是未來想走的路。提早起步也要同條路一直走才能真的走得快，只能說看了很多單走一條路看不到的風景，只是風景也只能留在心裡。
再走一次就會走對路嗎？很難說。眼界需要環境培養，更早參加社群、多認識人、找真的有興趣有挑戰的 intern、case 做做，或許能及早培養眼界，找到自己真的想走的路，瞭解自己不足之處。與其怪環境沒給你機會，不如怪自己沒趁早往外走。
關於本文作者
@d2207197 Soft & Share Slack站友