Practionist vs Idealist

刚刚把data science的流程都走了一遍，于是意会到真正的问题在于feature.

现在 （Practionist - 经历了一个月吧）:
1. features - 但是又有无数多种可能来做feature engineering, tranform (log transform), binning (把类似的feature combine 一起）, extract (从一个feature中抽取更细化的,更predictive的features),
搭个testing framework做指标还是挺重要的。
2. Speed - 还有machine learning 的training速度，这才一会到GPU的重要性。

从前 （Idealist - 经历了一、两年年吧）:
1. 想要了解ML algorithm希望能帮着增强ML能力；
2. 各种新知识的学 （后来发现要能用得上，用起来，不是件容易的是）

---
另外，听了一个关于opencv的talk,发现一个作者对于各种算法都听懂得运用，但是它就只是自己做个assignment来学习，遇到难点才寻找必要的tool。
他就只用了断断续续一个月的时间，就学了我好久以来才学清的。
追根究底，我是Idealist形的， 懂的东西局限在textbook， 学了大部分没用， 需要时有用的部分也用不上手。
他是Practionist形的，不懂的去找，可以是textbook内，可以是textbook外，懂的用，学的也有用。我感觉他很懒，但是work smart。

--

我发现我有两个地方是practionist，一个是latex的运用，一个是genetic algorithm的运用
两者都是看了一下简短的example,然后一直在用。遇到问题就去请教问问。
如果你问我深一点的latex,或者genetic algorithm的各种theoretical 问题，我可能不在行。

但是，所有的papers都是用latex弄出来的，而且genetic algorithm也发了好多的papers.
会用才是王道。


总结
----
1. 不需要把课程看完 (less idealist)，但是需要把project搞起来 (more practionist)。
- 了解什么是重要的
- 了解怎么用各种theoretical tools
2. project要有一定目标，争取iterative实现，不要完美主义。
3. 专注在几个点上，争取变成expert, 从practionist上。