z***m
发帖数: 1602 | 1 最近看了下machine learning，感觉很多idea挺有意思，虽然也不是很新。感觉搞
machine learning研究的，主要都用概率统计，比如Beyesian information 和EE那些
搞信息论，detection and estimation的用的东西很像。
classifer一定程度上，也可以理解成多元检测。
还有EE里搞compressed sensing，在ML里也看到搞dimension reduction用到。
neural network里的back propagation还有点像EE里coding的，都用message passing。
当然了，convex optimization在EE的信号处理和ML里都用到不少。
搞ML是不是很多东西可以借鉴EE里现成的啊？ML里最前沿的研究都是做什么啊？听说
data scientist也不怎么像马工那样写code。
EE（通信理论方向的）转ML，当data scientist是不是也比较自然啊？ |
d**e
发帖数: 6098 | 2 狗狗的无人汽车？
passing。
【在 z***m 的大作中提到】
: 最近看了下machine learning，感觉很多idea挺有意思，虽然也不是很新。感觉搞
: machine learning研究的，主要都用概率统计，比如Beyesian information 和EE那些
: 搞信息论，detection and estimation的用的东西很像。
: classifer一定程度上，也可以理解成多元检测。
: 还有EE里搞compressed sensing，在ML里也看到搞dimension reduction用到。
: neural network里的back propagation还有点像EE里coding的，都用message passing。
: 当然了，convex optimization在EE的信号处理和ML里都用到不少。
: 搞ML是不是很多东西可以借鉴EE里现成的啊？ML里最前沿的研究都是做什么啊？听说
: data scientist也不怎么像马工那样写code。
: EE（通信理论方向的）转ML，当data scientist是不是也比较自然啊？
|
g*********e
发帖数: 14401 | |
z***m
发帖数: 1602 | |
c*b
发帖数: 3126 | 5 现在ML最热的是啥deep learning吧
【在 z***m 的大作中提到】
: 我是说ML的理论前沿。还是说他们都在做实现。
|
z***m
发帖数: 1602 | 6 工业界用得多吗？还是只是在理论圈里热闹？
【在 c*b 的大作中提到】
: 现在ML最热的是啥deep learning吧
|
v*****k
发帖数: 7798 | 7 用。这年头啥都可以上云，算法复杂不要紧
【在 z***m 的大作中提到】
: 工业界用得多吗？还是只是在理论圈里热闹？
|
l********n
发帖数: 49 | 8 ML理论方面一般都是证bound，uniform convergence这些。用到的方法主要有
Statistical Learning Theory和Bayesian Statistics以及Traditional Statistics。
应用方面，主要是设计各种general的算法。比如如何从billion级别的graph中有效找
到cluster。Google的无人汽车很大程度依赖ML，另外搜索引擎是ML的重度用户，基本
上大大小小的预测分析都用ML。
另外，要纠正一点。EE虽然很大，但是还不至于是ML的上层学科。最多两者算是平行的
，Dimension Reduction都研究好几十年了，compressed sensing才十几年。另外，BP
也是快30年的东西了，而神经网络都研究50年了。如果要分，ML上面应该是统计和应用
数学，泛函分析。肯定不是EE！
在Top4 CS里面，EE和CS基本不分家，所以你如果是想着比较“简单”的从EE里面搬一
些现有的东西来ML这边做出一些好工作，难度有点大，现在ML的人估计有30%的是EE的
。但是如果你想转行，EE转ML应该不难，至少可以转去做computer vision里的ML。
passing。
【在 z***m 的大作中提到】
: 最近看了下machine learning，感觉很多idea挺有意思，虽然也不是很新。感觉搞
: machine learning研究的，主要都用概率统计，比如Beyesian information 和EE那些
: 搞信息论，detection and estimation的用的东西很像。
: classifer一定程度上，也可以理解成多元检测。
: 还有EE里搞compressed sensing，在ML里也看到搞dimension reduction用到。
: neural network里的back propagation还有点像EE里coding的，都用message passing。
: 当然了，convex optimization在EE的信号处理和ML里都用到不少。
: 搞ML是不是很多东西可以借鉴EE里现成的啊？ML里最前沿的研究都是做什么啊？听说
: data scientist也不怎么像马工那样写code。
: EE（通信理论方向的）转ML，当data scientist是不是也比较自然啊？
|
z***m
发帖数: 1602 | 9 嗯，这样就比较清楚了。
我的意思就是说ML所用到的工具和EE里面的搞通信的很像。通信里搞信息论也是证明
bound之类的，搞convex optimziation那些就是去证convergence.
1.有没有用ML的思想去做signal processing的呢？2.有没有用signal processing的思
想去做ML的呢？
BP
【在 l********n 的大作中提到】
: ML理论方面一般都是证bound，uniform convergence这些。用到的方法主要有
: Statistical Learning Theory和Bayesian Statistics以及Traditional Statistics。
: 应用方面，主要是设计各种general的算法。比如如何从billion级别的graph中有效找
: 到cluster。Google的无人汽车很大程度依赖ML，另外搜索引擎是ML的重度用户，基本
: 上大大小小的预测分析都用ML。
: 另外，要纠正一点。EE虽然很大，但是还不至于是ML的上层学科。最多两者算是平行的
: ，Dimension Reduction都研究好几十年了，compressed sensing才十几年。另外，BP
: 也是快30年的东西了，而神经网络都研究50年了。如果要分，ML上面应该是统计和应用
: 数学，泛函分析。肯定不是EE！
: 在Top4 CS里面，EE和CS基本不分家，所以你如果是想着比较“简单”的从EE里面搬一
|
s*********t
发帖数: 52 | 10 google的车里面没多少machine learning的东西，倒是robotics的一些问题比如
localization，mapping，sensor fusion，vision，planning会多一些，当然近些年的
这些算法也都用到了贝叶斯的东西，也可以讲和ML有相通的东西。google car更像是一
个很大很复杂的系统，最新的技术、算法应用不多。
BP
【在 l********n 的大作中提到】
: ML理论方面一般都是证bound，uniform convergence这些。用到的方法主要有
: Statistical Learning Theory和Bayesian Statistics以及Traditional Statistics。
: 应用方面，主要是设计各种general的算法。比如如何从billion级别的graph中有效找
: 到cluster。Google的无人汽车很大程度依赖ML，另外搜索引擎是ML的重度用户，基本
: 上大大小小的预测分析都用ML。
: 另外，要纠正一点。EE虽然很大，但是还不至于是ML的上层学科。最多两者算是平行的
: ，Dimension Reduction都研究好几十年了，compressed sensing才十几年。另外，BP
: 也是快30年的东西了，而神经网络都研究50年了。如果要分，ML上面应该是统计和应用
: 数学，泛函分析。肯定不是EE！
: 在Top4 CS里面，EE和CS基本不分家，所以你如果是想着比较“简单”的从EE里面搬一
|
|
|
s********r
发帖数: 403 | 11 Bayesian Network,decision tree, Neural Network 这些东西，10 年前在国内高校已
经火锅一阵了。
理论界不是什么前沿的玩意儿，镇不住人。酷爱推数学公式的人可以玩玩。
Machine Learning 可以搞得很虚，只有做成实际能用的东西，才有价值。 |
v*****k
发帖数: 7798 | 12 光思想没用，细节搞死你。哥两个都做过，思维方式还是不一样的
【在 z***m 的大作中提到】
: 嗯，这样就比较清楚了。
: 我的意思就是说ML所用到的工具和EE里面的搞通信的很像。通信里搞信息论也是证明
: bound之类的，搞convex optimziation那些就是去证convergence.
: 1.有没有用ML的思想去做signal processing的呢？2.有没有用signal processing的思
: 想去做ML的呢？
:
: BP
|
r*********n
发帖数: 4553 | 13 我一个搞neural network的朋友（PhD in CS， BS，MS in EE）说EE里面搞什么都是不
管三七二十一，直接就来一堆数学公式，而CS里面更注重实现，先搭一个working
system再说。 |
m*****h
发帖数: 2292 | 14 呵呵，这个看从哪个方面来看了
CS关注的是does it work?
EE关注的是why does it work?
做networking的更明显，CS和EE是totally different
【在 r*********n 的大作中提到】
: 我一个搞neural network的朋友（PhD in CS， BS，MS in EE）说EE里面搞什么都是不
: 管三七二十一，直接就来一堆数学公式，而CS里面更注重实现，先搭一个working
: system再说。
|
z***m
发帖数: 1602 | 15 确实，EE现在有点误入歧途了，搞一堆公式，一堆假设，就是为了结果好看。
【在 r*********n 的大作中提到】
: 我一个搞neural network的朋友（PhD in CS， BS，MS in EE）说EE里面搞什么都是不
: 管三七二十一，直接就来一堆数学公式，而CS里面更注重实现，先搭一个working
: system再说。
|
z***m
发帖数: 1602 | 16 感觉最近几年ML业界市场比较火，哪儿都在找data analyst，data scientist,从CS的
，到金融的。而EE一直不温不火的, 我觉得学EE的，尤其是通信理论和信息论之类的同
学，其实可以考虑转ML方向，难度比转纯码工容易一些，不知道这想法是不是正确。 |
v*****k
发帖数: 7798 | 17 搞EE的普遍需要补一点统计的思维。
【在 z***m 的大作中提到】
: 感觉最近几年ML业界市场比较火，哪儿都在找data analyst，data scientist,从CS的
: ，到金融的。而EE一直不温不火的, 我觉得学EE的，尤其是通信理论和信息论之类的同
: 学，其实可以考虑转ML方向，难度比转纯码工容易一些，不知道这想法是不是正确。
|
m*****h
发帖数: 2292 | 18 搞通信理论和信息论的统计都是必修课吧。。。
【在 v*****k 的大作中提到】
: 搞EE的普遍需要补一点统计的思维。
|
r*********n
发帖数: 4553 | 19
我觉得类似why does it work这种问题，最好还是留给数学家去解决。
【在 m*****h 的大作中提到】
: 呵呵，这个看从哪个方面来看了
: CS关注的是does it work?
: EE关注的是why does it work?
: 做networking的更明显，CS和EE是totally different
|
m*****h
发帖数: 2292 | 20 可数学家们又不屑于做这种问题，不是pure mathematics的东西他们不care
能解决why does it work这种问题的是Newton，Einstein，Shannon这样的人
【在 r*********n 的大作中提到】
:
: 我觉得类似why does it work这种问题，最好还是留给数学家去解决。
|
l*******m
发帖数: 1096 | 21 重点还是coding.
【在 z***m 的大作中提到】
: 感觉最近几年ML业界市场比较火，哪儿都在找data analyst，data scientist,从CS的
: ，到金融的。而EE一直不温不火的, 我觉得学EE的，尤其是通信理论和信息论之类的同
: 学，其实可以考虑转ML方向，难度比转纯码工容易一些，不知道这想法是不是正确。
|
z***m
发帖数: 1602 | 22 确实，统计和随机是必须的。有时候选课都是和统计系一起上的
【在 m*****h 的大作中提到】
: 搞通信理论和信息论的统计都是必修课吧。。。
|
