start small, grow fast

或说上个月看完书后，对于相对应知识多加练习，每每都是损失了好多来学一个新知识。后来看见mm都是在损失少的情况下学新知。。忽然理解到start small, grow fast 的重要性。

start small 能纠正错误，损失量少。
grow fast 能将获得验证的系统迅速得到最大利益


如果start fast, 损失大的概率是很大的。现在是深切了解了。

其实最前面还有一条是think big. 这个也挺重要，这是一个大目标，start small, grow fast 是完成的方式。

万事起头难 起头了就不难

1. 上班六个月了 现在对于公司的总总 及老板要求等都更能掌控了 于是乎能够更合理有效的安排时间取得相对应的结果。
2. 现在到gym里去休息 感觉可能是习惯了的原因，睡得更好。

前面的几个月的公司经验，都是一下就能学习到的。现在的经验，是需要时间的积累才能透彻了解 - 比如老板要求，公司的要求，要怎么做才能达到最好效果。 这些积累的方式 是通过 老板KPI提的review, 中间meeting的互动，与现有同事和hr的互动，最后总裁town hall meeting这样一层层累积下来的。

怪不得一个银行的高级主管和我说要花半年到一年来了解一个公司和熟悉自己的task。有些东西还是需要时间积累的。

看完课程啦

网上买了一套Forex教材，记得25 Dec买的。

(chpt 1-8)
本来预计是中午吃饭的时间每天看一点于是中间短短续续，有时工作忙，有时其他杂事处理，估计1/4的休息时间有机会吧。

(chpt 8-17)
然后3 Feb到中国呆了10天，然后在mm家，再上海到南京路上，在mm姐家，飞机上；
这些时间有一堆是整的3-4小时，但是没有一整天看的机会。发现到了后面课程变比较多。

(chp17-18)
后来11 Feb到台湾飞机上，高铁上，路上，旅店里都分秒必争的看。

(chp17- chp19)
昨天一整天都在看。

(chp 20-28)
今天再看 [后面的分量比较少]

终于看完了。花了两个月，分了四个阶段。不简单啊!
本来预计每天看一点，一星期看一章，这个计划太不切实际了，到后面一星期根本看不了一章，这种看法要花上一年都不止。
抓紧各种时间来看才有可能。

----

但是看完了只完成长征的10%，后面要学习的路途依旧长着。

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。

工作五个月

1. 现在对于自己的工作KPI，老板的需求和公司的运作有了更深一层的认识。
2. 这样的好处是，看得更清楚，方便自己planning。
3. 但是另一方面，也不能太专注于这些，而忘了其他重要及长远的，比如和同事间的关系。

---
去到台湾拍了照片，发现摄影师很专业，知道怎么快速的策划，抓拍，让顾客笑（产生自然表情），让助理迅速布置任务（他们不用走，都用跑，而且布置超级快），所以所有的场景都能在八小时完成。拍成的作品也相当令人满意。据说摄影师助理做了六年，自己做了六年。就是说他跟在厉害的人后面六年，自己锻炼了六年。
---

4. 话说回来，发现自己一开始的工作，就是data analytics都没有突破性的发展。回头看看，要不就是被其他事情delay，要不就是自己投机不在意，感觉这是成不了气候的。于是乎狠下心来，逼自己必须在这方面有所长进，做到凡是看到任何data analytics 的东西都信心满满，不然自己也实在看不下去。。。

Data Analytics

最近在搞data analytics,真的有些东西只有自己搞了候才是真的把它弄懂了，不搞=不懂，或者不是真的懂。碰到很多问题，手上很多tools，一下弄懂哪个tools有用才是行家。

传言是data cleansing 需要最大effort,发现果真如此。

对于missing data, 我们要

a.       throw it,

b.       or if it is categorical datafill it with appropriate value (e.g.,sampling using the frequency)

c.       or if it is numeric data, we can use medium, mode, or random sampling value using values between  (mean-std, mean+ std)

对于过多的categorical data, get_dummies后会有很多data 需要分析，对于这点，我们可以

a.       Partition it, 比如 i7和i5 速度上差不多，我们可以partition 成快， Pentium 成慢.

就搞了三四天，还有很多要慢慢学习的。

工业界三个月

现在 对于工业界 总体来说  有了比较深的认识。

之前的工作经验+现在的。

1. 直接contribution - 工作基本就是直接影响你的contribution, 研究是间接。
2. 时间 - 工作的话，会有比较多的私人时间，因为比较具有time segmentation。

以至于学了好多各种不同的东西： SEO , Stock, Forex, Algos, etc. 把以前想学的都学了。

玩的时候也不会带份paper.

3. 简单 - 做的东西相对简单, 这其实是好事。
4. 实用 - 基本做的东西对于业界来说都比较实用，对履历有比较大的帮助。
5. 攒经验 - postdoc 做久了越难找教职，但是工业界是越做价值越高。
6. 企业界对于研究考虑的是business use cases, 就是如何赚钱，学术界是new contribution.

7. 自由度 - 其实目前还没感觉到太大的拘束，就觉得这样确定时间的工作还挺好。
8. 人事 - 业界老板有时说话比较直，待了三个月也比较适应，也是这种训练挺好的。