다른 사람들 의견

• zhfxmfpdls (17-07-05 15:13)

  spk 대학원, 물론 좋은 곳이긴 하지만.. 거기 간다고 님 spk 출신 되는거 아닙니다..
  일단은 학교를 떠나 좋은 연구자가 되는게 가장 중요합니다. 학교이름은 너무 연연하지 마세요.
  그리고.. 참고로, CS에서는 과목 중의 하나로 데이터마이닝을 배웁니다.
  
  프로그래밍은 잘할수록 좋습니다.
  요즘 코딩교육을 초딩때부터 하는 세상인데,
  얘네들이 크면,... 특히 공학 관련 계열 전공하는 애들은 프로그래밍은 굉장히 일상적이게 될거 같구요.
  
  요즘 코딩교육을 왜 하는거 같나요?
  지금 젊은 세대는 영어를 잘 하는 편이고, 나이든 세대가 영어를 못한다 치면,
  향후에 똑같은 상황이 올거라 생각합니다. 20년쯤 뒤 말이죠.
  젊은 세대는 프로그래밍을 대부분 어느정도 왠만큼 할겁니다. 나이들어서 프로그래밍 못하는건 지금의 영어 못하는것과 비슷한 경쟁력 수준을 점하게 될거라고 생각합니다.
  프로그래밍 많이 알아서 나쁠것이 없습니다. 제 개인적인 생각으로는 공학계열 전공이면 프로그래밍은 기본적으론 왠만큼 배우는게 좋다고 생각해요.

  spk 대학원, 물론 좋은 곳이긴 하지만.. 거기 간다고 님 spk 출신 되는거 아닙니다.. 일단은 학교를 떠나 좋은 연구자가 되는게 가장 중요합니다. 학교이름은 너무 연연하지 마세요. 그리고.. 참고로, CS에서는 과목 중의 하나로 데이터마이닝을 배웁니다. 프로그래밍은 잘할수록 좋습니다. 요즘 코딩교육을 초딩때부터 하는 세상인데, 얘네들이 크면,... 특히 공학 관련 계열 전공하는 애들은 프로그래밍은 굉장히 일상적이게 될거 같구요. 요즘 코딩교육을 왜 하는거 같나요? 지금 젊은 세대는 영어를 잘 하는 편이고, 나이든 세대가 영어를 못한다 치면, 향후에 똑같은 상황이 올거라 생각합니다. 20년쯤 뒤 말이죠. 젊은 세대는 프로그래밍을 대부분 어느정도 왠만큼 할겁니다. 나이들어서 프로그래밍 못하는건 지금의 영어 못하는것과 비슷한 경쟁력 수준을 점하게 될거라고 생각합니다. 프로그래밍 많이 알아서 나쁠것이 없습니다. 제 개인적인 생각으로는 공학계열 전공이면 프로그래밍은 기본적으론 왠만큼 배우는게 좋다고 생각해요.
• 돌아온백수 (17-07-07 00:54)

  데이타 사이언티스트에게 코딩은 도구이죠. 도구를 잘 다루는게 실력으로 연결되죠.
  
  왜, 코딩이 도구이냐?
  데이타 양에 따라 그 중요도와 필요성이 비례합니다.
  
  데이타 분석을 하더라도 원본 데이타가 손상이 되면 안되죠. 이 부분에 이의가 있을 수도 있는데요. 그 데이타가 실시간으로 축적되고, 많은 데이타 생산자들에게 데이타 분석이 쉽도록 데이타를 생산해 달라고 요구할 수 없다고 가정합시다. 현실 세계에서 일어나고 있는 일입니다.
  
  분석할때만 카피 해서, 데이타를 수정하고, 버리겠다. 그렇게 접근하셔도 되는데요.
  누군가가, 코딩으로 원본데이타를 건드리지 않고도, 분석하는 방법이 있다고 하면, 어느 것을 고르시겠어요?

  데이타 사이언티스트에게 코딩은 도구이죠. 도구를 잘 다루는게 실력으로 연결되죠. 왜, 코딩이 도구이냐? 데이타 양에 따라 그 중요도와 필요성이 비례합니다. 데이타 분석을 하더라도 원본 데이타가 손상이 되면 안되죠. 이 부분에 이의가 있을 수도 있는데요. 그 데이타가 실시간으로 축적되고, 많은 데이타 생산자들에게 데이타 분석이 쉽도록 데이타를 생산해 달라고 요구할 수 없다고 가정합시다. 현실 세계에서 일어나고 있는 일입니다. 분석할때만 카피 해서, 데이타를 수정하고, 버리겠다. 그렇게 접근하셔도 되는데요. 누군가가, 코딩으로 원본데이타를 건드리지 않고도, 분석하는 방법이 있다고 하면, 어느 것을 고르시겠어요?
• 너또왔니 (17-07-08 22:14)

  저랑 하려는 분야가 많이 겹치시네요. 반갑습니다
  저도 똑같이 3학년이구요, 지방 과기원 재학중입니다
  물론 저는 데이터마이닝/머신러닝 방법론을 다른 분야에 적용할 생각 중입니다.
  
  여하튼 확률/통계/선형대수같은 수학들은 ML 깊게 파면 팔수록 중요한 것 같습니다.
  물론 남들이 만들어놓은 패키지나 라이브러리 갖다가 돌리면 끝인데라고 생각할 수 있는데 공부하면 할수록, 그리고 새로운 기법들이 나올수록 그것을 이해하고 빠르게 연구나 필드에 적용하려면 수학적인 베이스 없이는 힘들더라구요.
  또한 학부에서 배우는 것은 대부분 structured data처리라면, 필드에서는 Unstructured를 핸들링하는게 대부분이잖아요. 그러한 데이터를 다루는건 천지차이라고 봅니다.
  
  취업하실거 아니면 공모전보다는 재수강해서라도 학점 올리고 석차 올리는게 무엇보다도 중요하다고 합니다. 다른 부분들은 저도 하고있는데 (코세라랑 케이무크 애용해요 ㅎ) 딥러닝(기계학습) 역시 모든 방법론들이 확률론/통계지식 바탕으로 개발된것이라서, 수학으로 쓰여진 베이직한 콘셉트와 알고리즘을 이해해야 어떤 데이터셋과 문제상황이 주어졌을때 빠르게 적용할 수 있습니다. 따라서 확률이나 통계쪽도 같이 공부해보심 좋을 것 같아요. 중간에 말이 갑자기 바뀐것같은데 여튼 대학원 진학을 생각중이시라면 제일 중요한것은 다른 스펙보다도(논문 게재면 말이바뀝니당) 학점과 랩인턴 경험?, 그리고 추후 연구분야가 있는지없는지가 중요하다고 합니다
  
  저는 산업공학부인데도 교과과정에 데이터마이닝 과목이 있어서 데이터마이닝 프로젝트를 한학기 내내 진행했었는데요, KNN, CART, Naive bayes같은 기본적인 방법들은 수학 베이스 없이도 데이터 특징이랑 목적만 알면 쓸 수 있지만 데이터 특성에 따라서 디테일한 방법론(예를들어 WALM이나 LEYP, LOF같은) 들을 마주하게 된다면 골치아파지거든요...
  
  머신러닝도 학부때 TF나 Keras 깊이 다뤄보면 좋겠지만 그것보다는 먼저 왜 머신러닝을 배우려고 하는지, 배워서 어따써먹을건지가 중요하답니다
  
  왜냐면 산업공은 다양한 최적화 방법론을 배우는데서 출발한 학문이기 때문에, 방법론들 학부내내 주구장창 배우는데 대학원을 가든 취업을 하든 그런 방법론들을 써먹을 '분야'(도메인이라고하죠)를 정해야할 시기가 찾아온답니다.. 그때 내가 배운것들을 어따써먹지..? 하고 고민하게되면 약간 늦은감이 없잖아 있을 것 같아요
  데이터마이닝이랑 머신러닝이라는 것 자체에 대한 공부를 더 할 것이 아니라면 이걸 어디다가 적용할지를 많이 고민해봐야 합니다.
  
  저는 그래서 CS랑 EE(신호처리) 과목도 들으면서 제가 적용할 디테일한 도메인을 정했습니다.
  
  사실 본문에 언급하신 '새로운 insight 발견후 비즈니스 가치 창출'은 비즈니스 인텔리전스라고해서 경영학에서도 많이 하고있는 분야라서요, 굳이 산업공학이 아니더라도 크게 메리트가 있지는 않아보입니다. 경영학에서도 RDBMS랑 데이터마이닝 많이들 배우고 R이랑 Python도 자꾸 시키는 추세거든요... 서울쪽 경영학부 재학생들 트렌드가 경영학에 컴공복전이 되어버린게 이유가 없진 않다고 봐요
  
  그래서 결론은 코딩도 잘해야하고, 수학도 잘해야하고, 데이터를 처리하는 안목과 직관도 필요하고, 내가 주구장창 배운 방법론들을 평생 어디에 적용할지에 대한 고민도 필요하다는 것이죠... 할게 정말 넘쳐나죠ㅠㅠㅠ 저도 그래서 대학원 진학 결심했습니다
  
  흔히 산업공학자를 공학이라는 오케스트라 지휘자라고 하는데, 지휘자가 되려면 모든 악기를 다 잘다루지는 못해도 다 알기는 해야하는 것과 같은 이치라고 생각합니다.
  열심히해봅시다 ㅎㅎ 화이팅

  저랑 하려는 분야가 많이 겹치시네요. 반갑습니다 저도 똑같이 3학년이구요, 지방 과기원 재학중입니다 물론 저는 데이터마이닝/머신러닝 방법론을 다른 분야에 적용할 생각 중입니다. 여하튼 확률/통계/선형대수같은 수학들은 ML 깊게 파면 팔수록 중요한 것 같습니다. 물론 남들이 만들어놓은 패키지나 라이브러리 갖다가 돌리면 끝인데라고 생각할 수 있는데 공부하면 할수록, 그리고 새로운 기법들이 나올수록 그것을 이해하고 빠르게 연구나 필드에 적용하려면 수학적인 베이스 없이는 힘들더라구요. 또한 학부에서 배우는 것은 대부분 structured data처리라면, 필드에서는 Unstructured를 핸들링하는게 대부분이잖아요. 그러한 데이터를 다루는건 천지차이라고 봅니다. 취업하실거 아니면 공모전보다는 재수강해서라도 학점 올리고 석차 올리는게 무엇보다도 중요하다고 합니다. 다른 부분들은 저도 하고있는데 (코세라랑 케이무크 애용해요 ㅎ) 딥러닝(기계학습) 역시 모든 방법론들이 확률론/통계지식 바탕으로 개발된것이라서, 수학으로 쓰여진 베이직한 콘셉트와 알고리즘을 이해해야 어떤 데이터셋과 문제상황이 주어졌을때 빠르게 적용할 수 있습니다. 따라서 확률이나 통계쪽도 같이 공부해보심 좋을 것 같아요. 중간에 말이 갑자기 바뀐것같은데 여튼 대학원 진학을 생각중이시라면 제일 중요한것은 다른 스펙보다도(논문 게재면 말이바뀝니당) 학점과 랩인턴 경험?, 그리고 추후 연구분야가 있는지없는지가 중요하다고 합니다 저는 산업공학부인데도 교과과정에 데이터마이닝 과목이 있어서 데이터마이닝 프로젝트를 한학기 내내 진행했었는데요, KNN, CART, Naive bayes같은 기본적인 방법들은 수학 베이스 없이도 데이터 특징이랑 목적만 알면 쓸 수 있지만 데이터 특성에 따라서 디테일한 방법론(예를들어 WALM이나 LEYP, LOF같은) 들을 마주하게 된다면 골치아파지거든요... 머신러닝도 학부때 TF나 Keras 깊이 다뤄보면 좋겠지만 그것보다는 먼저 왜 머신러닝을 배우려고 하는지, 배워서 어따써먹을건지가 중요하답니다 왜냐면 산업공은 다양한 최적화 방법론을 배우는데서 출발한 학문이기 때문에, 방법론들 학부내내 주구장창 배우는데 대학원을 가든 취업을 하든 그런 방법론들을 써먹을 '분야'(도메인이라고하죠)를 정해야할 시기가 찾아온답니다.. 그때 내가 배운것들을 어따써먹지..? 하고 고민하게되면 약간 늦은감이 없잖아 있을 것 같아요 데이터마이닝이랑 머신러닝이라는 것 자체에 대한 공부를 더 할 것이 아니라면 이걸 어디다가 적용할지를 많이 고민해봐야 합니다. 저는 그래서 CS랑 EE(신호처리) 과목도 들으면서 제가 적용할 디테일한 도메인을 정했습니다. 사실 본문에 언급하신 '새로운 insight 발견후 비즈니스 가치 창출'은 비즈니스 인텔리전스라고해서 경영학에서도 많이 하고있는 분야라서요, 굳이 산업공학이 아니더라도 크게 메리트가 있지는 않아보입니다. 경영학에서도 RDBMS랑 데이터마이닝 많이들 배우고 R이랑 Python도 자꾸 시키는 추세거든요... 서울쪽 경영학부 재학생들 트렌드가 경영학에 컴공복전이 되어버린게 이유가 없진 않다고 봐요 그래서 결론은 코딩도 잘해야하고, 수학도 잘해야하고, 데이터를 처리하는 안목과 직관도 필요하고, 내가 주구장창 배운 방법론들을 평생 어디에 적용할지에 대한 고민도 필요하다는 것이죠... 할게 정말 넘쳐나죠ㅠㅠㅠ 저도 그래서 대학원 진학 결심했습니다 흔히 산업공학자를 공학이라는 오케스트라 지휘자라고 하는데, 지휘자가 되려면 모든 악기를 다 잘다루지는 못해도 다 알기는 해야하는 것과 같은 이치라고 생각합니다. 열심히해봅시다 ㅎㅎ 화이팅
• 너또왔니 (17-07-08 22:16)

  Deep하게 하면 할수록 좋습니다... 내가 알고리즘 개발을 직접 할 것이 아니라면 수학쪽은 마아악 deep하게 할 필요는 없을진 몰라도, 최소한 대학원생되고 학위받아서 나중에 학회 참여하고 새로운 방법론 배워오고 바로 implement하려면 수학을 그래도 수준급으론 해야겠죠 또 머신러닝 자체가 수학이라고 봐도 무방하니까 뭐...
  
  또 코딩은 잘하면 잘할수록 이득이라고 합니다 정말로... 머신러닝 뿐 아니라 Hadoop같은것도 다룰줄 알면 대우 많이 받는다고 하더라구용 참고하세요!

  Deep하게 하면 할수록 좋습니다... 내가 알고리즘 개발을 직접 할 것이 아니라면 수학쪽은 마아악 deep하게 할 필요는 없을진 몰라도, 최소한 대학원생되고 학위받아서 나중에 학회 참여하고 새로운 방법론 배워오고 바로 implement하려면 수학을 그래도 수준급으론 해야겠죠 또 머신러닝 자체가 수학이라고 봐도 무방하니까 뭐... 또 코딩은 잘하면 잘할수록 이득이라고 합니다 정말로... 머신러닝 뿐 아니라 Hadoop같은것도 다룰줄 알면 대우 많이 받는다고 하더라구용 참고하세요!