sa
发帖数: 1384 | |
sa
发帖数: 1384 | 2 ding
【在 sa 的大作中提到】
: 好像学术界多，工业界不怎么用，对吗？
|
j*****n
发帖数: 1545 | 3 工业界不怎么用machine learning, 他们用data mining ....
学术界的machine learning 太理想化了， 数据都是很简单的。工业界要考虑的东西太
多了，学术界搞的那些理论算法只是工业界1个大系统里面很小的一块，而且这1块很多
时候都已经有现成的API用。
my 2 cents |
j*****n
发帖数: 1545 | 4 我觉得还有1种说法很有道理，
More data usually beats better algorithms
工业届很火的big data其实也是这个道理，算法的差别很容易就能被更多的training搞
定，但更多的training是有普适的价值，所以搞更好的算法不如搞更多的数据。当然
SVM的价值确实能够体现出来，这种跨时代意义的算法还是不可否认。所以就几个大牛
搞搞machine learning就行了，我们这些小兵就搞搞应用就好。
学术界都是关心 better algorithms, 整很多很玄的东西，但实际上很多问题一些简单
的classifier就能做的很好，WEKA 里面的很多例子都说明了现在的问题不在于搞更好
的算法，而在于怎么把现有的算法用的更好。
still my2cents |
S**I
发帖数: 15689 | 5 完全赞同；我在学校的时候做过一些优化算法，去公司里实习的时候被告知俺们就是用
最简单的那种，复杂的东东从来不用......
【在 j*****n 的大作中提到】
: 我觉得还有1种说法很有道理，
: More data usually beats better algorithms
: 工业届很火的big data其实也是这个道理，算法的差别很容易就能被更多的training搞
: 定，但更多的training是有普适的价值，所以搞更好的算法不如搞更多的数据。当然
: SVM的价值确实能够体现出来，这种跨时代意义的算法还是不可否认。所以就几个大牛
: 搞搞machine learning就行了，我们这些小兵就搞搞应用就好。
: 学术界都是关心 better algorithms, 整很多很玄的东西，但实际上很多问题一些简单
: 的classifier就能做的很好，WEKA 里面的很多例子都说明了现在的问题不在于搞更好
: 的算法，而在于怎么把现有的算法用的更好。
: still my2cents
|
X*****r
发帖数: 2521 | 6 讲讲
哪种是公司用的？
【在 S**I 的大作中提到】
: 完全赞同；我在学校的时候做过一些优化算法，去公司里实习的时候被告知俺们就是用
: 最简单的那种，复杂的东东从来不用......
|
j*****n
发帖数: 1545 | 7 工业界不在乎什么算法，这些算法现在都是API了，你要做的更多是data
preprocessing 和 data filtering. 然后就是调API １个１个试，从最简单的开始，
比如做classification的就从最简单的decision tree 开始试
【在 X*****r 的大作中提到】
: 讲讲
: 哪种是公司用的？
|
s*******n
发帖数: 38 | 8 最简单不是LDA么？
【在 j*****n 的大作中提到】
: 工业界不在乎什么算法，这些算法现在都是API了，你要做的更多是data
: preprocessing 和 data filtering. 然后就是调API １个１个试，从最简单的开始，
: 比如做classification的就从最简单的decision tree 开始试
|
L*****k
发帖数: 327 | 9 你说的这些都有道理，不过还是要说一点，那些大家都知道的问题（也就是很多现成
API，比如classification，clustering）可以调用的，只是我们需要解决问题的一部
分，而且很多实际问题是需要人去创造性解决的。这才应该是学ML，DM的PhD的价值所
在，这也是做其他方向，号称自己懂ML/DM的人所做不了的
【在 j*****n 的大作中提到】
: 我觉得还有1种说法很有道理，
: More data usually beats better algorithms
: 工业届很火的big data其实也是这个道理，算法的差别很容易就能被更多的training搞
: 定，但更多的training是有普适的价值，所以搞更好的算法不如搞更多的数据。当然
: SVM的价值确实能够体现出来，这种跨时代意义的算法还是不可否认。所以就几个大牛
: 搞搞machine learning就行了，我们这些小兵就搞搞应用就好。
: 学术界都是关心 better algorithms, 整很多很玄的东西，但实际上很多问题一些简单
: 的classifier就能做的很好，WEKA 里面的很多例子都说明了现在的问题不在于搞更好
: 的算法，而在于怎么把现有的算法用的更好。
: still my2cents
|
d******e
发帖数: 7844 | 10 这个已经far from简单了，最简单的应该是Naive Bayes或者CART
【在 s*******n 的大作中提到】
: 最简单不是LDA么？
|
|
|
s*******n
发帖数: 38 | 11 在做PCA+LDA的飘过。。。
【在 d******e 的大作中提到】
: 这个已经far from简单了，最简单的应该是Naive Bayes或者CART
|
D***r
发帖数: 7511 | 12 你说machine learning的数据简单是什么意思？
事实上machine learning里很大一部分都是在讨论如何转化和利用现有的数据
像生物信息学就是因为数据特殊一般统计方法和规则方法不能用，
才成了一门学科
【在 j*****n 的大作中提到】
: 工业界不怎么用machine learning, 他们用data mining ....
: 学术界的machine learning 太理想化了， 数据都是很简单的。工业界要考虑的东西太
: 多了，学术界搞的那些理论算法只是工业界1个大系统里面很小的一块，而且这1块很多
: 时候都已经有现成的API用。
: my 2 cents
|
L*****k
发帖数: 327 | 13 很多人都只是在实际工作中用了下SVM，or boosting or PCA，就都觉得自己懂ML了。
。。
无数人辛苦努力，创造了理论，再有无数人努力，优化算法，再来无数人，写好code来
共享来让普通人用用。到了最后，一些门外汉用了用，感慨下，觉得这也没什么意思。
。。
【在 D***r 的大作中提到】
: 你说machine learning的数据简单是什么意思？
: 事实上machine learning里很大一部分都是在讨论如何转化和利用现有的数据
: 像生物信息学就是因为数据特殊一般统计方法和规则方法不能用，
: 才成了一门学科
|
o******y
发帖数: 446 | 14 学术界的实验数据都比较简单吧。就是有点小玩具的意思。
你说machine learning的数据简单是什么意思？
事实上machine learning里很大一部分都是在讨论如何转化和利用现有的数据
像生物信息学就是因为数据特殊一般统计方法和规则方法不能用，
才成了一门学科
【在 D***r 的大作中提到】
: 你说machine learning的数据简单是什么意思？
: 事实上machine learning里很大一部分都是在讨论如何转化和利用现有的数据
: 像生物信息学就是因为数据特殊一般统计方法和规则方法不能用，
: 才成了一门学科
|
L*****k
发帖数: 327 | 15 学术界大数据，小数据都有，想要看大的，please check imageNet
最为一些做原创性算法的工作，一般是不要求做在大数据上面的。自然，这里面可能有
些工作推广性不够，但是也会有很多好的idea在这个里面做出来
至于一些learning theory的，更加用不到大数据
【在 o******y 的大作中提到】
: 学术界的实验数据都比较简单吧。就是有点小玩具的意思。
:
: 你说machine learning的数据简单是什么意思？
: 事实上machine learning里很大一部分都是在讨论如何转化和利用现有的数据
: 像生物信息学就是因为数据特殊一般统计方法和规则方法不能用，
: 才成了一门学科
|
o******y
发帖数: 446 | 16 简单跟大小不是一个概念吧。
我想工业界的复杂更多的是从原始的
数据到你能够运行某些算法中间
要经过很多的处理。到最后能跑算法
的数据，工业界就倾向跑稳定简单的算法
就OK. 更多的工作是前面的步骤。
学术界就是假定要跑算法的数据就
这样子了，省略了前面的步骤，
然后在上面建立'fancy'的模型。
【在 L*****k 的大作中提到】
: 学术界大数据，小数据都有，想要看大的，please check imageNet
: 最为一些做原创性算法的工作，一般是不要求做在大数据上面的。自然，这里面可能有
: 些工作推广性不够，但是也会有很多好的idea在这个里面做出来
: 至于一些learning theory的，更加用不到大数据
|
L*****k
发帖数: 327 | 17 数据的获取和预处理自然也是一个问题，这个如果是很应用针对性的（很特定的一个情
形），当然是工业界在做，这个也不是有研究价值，为什么是要学术界做呢
如果是比较一般性的，比如针对图像的特征提取，或者针对网页温本科的特征提取，这
就都是学术界会去做的
【在 o******y 的大作中提到】
: 简单跟大小不是一个概念吧。
: 我想工业界的复杂更多的是从原始的
: 数据到你能够运行某些算法中间
: 要经过很多的处理。到最后能跑算法
: 的数据，工业界就倾向跑稳定简单的算法
: 就OK. 更多的工作是前面的步骤。
: 学术界就是假定要跑算法的数据就
: 这样子了，省略了前面的步骤，
: 然后在上面建立'fancy'的模型。
|
o******y
发帖数: 446 | 18 没有说一定要学术界做。
是说学术界跟工业界的区别。
工业界更加注重实际问题，和解决问题方法的稳定性。
学术界注重创造性(paper 导向)，
能够解决问题但是不创新引不起学术兴趣。
但是很多创新都是没用的，花拳绣腿。
不过1%有用的话也就够工业界使了。
【在 L*****k 的大作中提到】
: 数据的获取和预处理自然也是一个问题，这个如果是很应用针对性的（很特定的一个情
: 形），当然是工业界在做，这个也不是有研究价值，为什么是要学术界做呢
: 如果是比较一般性的，比如针对图像的特征提取，或者针对网页温本科的特征提取，这
: 就都是学术界会去做的
|
L*****k
发帖数: 327 | 19 对，学术界的很多创新都里实际很远，只要有1%有用那就是推动整个业界进步的巨大动
力了
但同理，工业界99%甚至更多的公司，都只是重复别人（公司或者学校）做过的事情，
不管是从创造性，或者是解决实际的难问题上，都对其他人没有什么意义。想M/G/IBM
这样真的解决了些难问题的公司，太少了
【在 o******y 的大作中提到】
: 没有说一定要学术界做。
: 是说学术界跟工业界的区别。
: 工业界更加注重实际问题，和解决问题方法的稳定性。
: 学术界注重创造性(paper 导向)，
: 能够解决问题但是不创新引不起学术兴趣。
: 但是很多创新都是没用的，花拳绣腿。
: 不过1%有用的话也就够工业界使了。
|
