d*****u
发帖数: 17243 | 1 以前搞机器学习模型和AI还真要懂比较多的内部原理。
比如图像识别里常用的Markov random fields，涉及各种二元高维高斯模型的优化。因
为不trackable还得想各种方法。
自然语言处理最起码也要会Hidden Markov Model，最最基本也要熟练掌握Baum–Welch
algorithm和 Viterbi algorithm
机器学习本身就更不用说了，要懂优化、概率论、代数，还有各种选取特征的工程技巧。
现在deep learning模型更general了，不仅各种genre的数据都能用，而且超高维的、
超长的也可以用。甚至特征提取都免了。直接放进去跑就行了。培训一下就会。 |
x*******1
发帖数: 28835 | |
l*******2
发帖数: 1 | 3 人人都能当马工，人人都是AI专家的年代
【在 x*******1 的大作中提到】
: sha gua hua le
|
e*******c
发帖数: 1479 | 4 deep learning对应的不是常规ML的数据，是未了处理大数据，图像语言声音等杂乱数
据结构的
Welch
巧。
【在 d*****u 的大作中提到】
: 以前搞机器学习模型和AI还真要懂比较多的内部原理。
: 比如图像识别里常用的Markov random fields，涉及各种二元高维高斯模型的优化。因
: 为不trackable还得想各种方法。
: 自然语言处理最起码也要会Hidden Markov Model，最最基本也要熟练掌握Baum–Welch
: algorithm和 Viterbi algorithm
: 机器学习本身就更不用说了，要懂优化、概率论、代数，还有各种选取特征的工程技巧。
: 现在deep learning模型更general了，不仅各种genre的数据都能用，而且超高维的、
: 超长的也可以用。甚至特征提取都免了。直接放进去跑就行了。培训一下就会。
|
i***q
发帖数: 1095 | 5 这一行最大的隐患是low hanging的东西摘完了咋办。
Welch
巧。
【在 d*****u 的大作中提到】
: 以前搞机器学习模型和AI还真要懂比较多的内部原理。
: 比如图像识别里常用的Markov random fields，涉及各种二元高维高斯模型的优化。因
: 为不trackable还得想各种方法。
: 自然语言处理最起码也要会Hidden Markov Model，最最基本也要熟练掌握Baum–Welch
: algorithm和 Viterbi algorithm
: 机器学习本身就更不用说了，要懂优化、概率论、代数，还有各种选取特征的工程技巧。
: 现在deep learning模型更general了，不仅各种genre的数据都能用，而且超高维的、
: 超长的也可以用。甚至特征提取都免了。直接放进去跑就行了。培训一下就会。
|
d*****u
发帖数: 17243 | 6 machine learning的难点在于高维、大量数据
小规模、小维度数据用什么方法都差不多，没有多少研究的必要
【在 e*******c 的大作中提到】
: deep learning对应的不是常规ML的数据，是未了处理大数据，图像语言声音等杂乱数
: 据结构的
:
: Welch
: 巧。
|
e****i
发帖数: 393 | 7 扯淡，首先是garbage in garbage out，其次DL在很多领域还没有渗透到，再其次真正
明白DL的人能做DL framework整合的人少之又少。DL只是让ML这个古老领域重新变成网
红，也解决了CV和NLU里面的一些难题，但是事实上加大了这个行业的技术含量和门槛。
Welch
巧。
【在 d*****u 的大作中提到】
: 以前搞机器学习模型和AI还真要懂比较多的内部原理。
: 比如图像识别里常用的Markov random fields，涉及各种二元高维高斯模型的优化。因
: 为不trackable还得想各种方法。
: 自然语言处理最起码也要会Hidden Markov Model，最最基本也要熟练掌握Baum–Welch
: algorithm和 Viterbi algorithm
: 机器学习本身就更不用说了，要懂优化、概率论、代数，还有各种选取特征的工程技巧。
: 现在deep learning模型更general了，不仅各种genre的数据都能用，而且超高维的、
: 超长的也可以用。甚至特征提取都免了。直接放进去跑就行了。培训一下就会。
|
d***u
发帖数: 943 | 8
Welch
巧。
看似简单，真懂涉及的知识面极广。没有个PhD哥不信你能ML专家。还要有悟性的人才
行。
【在 d*****u 的大作中提到】
: 以前搞机器学习模型和AI还真要懂比较多的内部原理。
: 比如图像识别里常用的Markov random fields，涉及各种二元高维高斯模型的优化。因
: 为不trackable还得想各种方法。
: 自然语言处理最起码也要会Hidden Markov Model，最最基本也要熟练掌握Baum–Welch
: algorithm和 Viterbi algorithm
: 机器学习本身就更不用说了，要懂优化、概率论、代数，还有各种选取特征的工程技巧。
: 现在deep learning模型更general了，不仅各种genre的数据都能用，而且超高维的、
: 超长的也可以用。甚至特征提取都免了。直接放进去跑就行了。培训一下就会。
|
d*****u
发帖数: 17243 | 9 加大的是研究门槛
但应用门槛大大降低了，不需要懂太多就能做事
槛。
【在 e****i 的大作中提到】
: 扯淡，首先是garbage in garbage out，其次DL在很多领域还没有渗透到，再其次真正
: 明白DL的人能做DL framework整合的人少之又少。DL只是让ML这个古老领域重新变成网
: 红，也解决了CV和NLU里面的一些难题，但是事实上加大了这个行业的技术含量和门槛。
:
: Welch
: 巧。
|
e*******c
发帖数: 1479 | 10
你说的这种是低级应用，输出个结果和正确值就OK了，但真正的优化是需要一定的理解
，不是跑跑程序的事情，优化是门学科
【在 d*****u 的大作中提到】
: 加大的是研究门槛
: 但应用门槛大大降低了，不需要懂太多就能做事
:
: 槛。
|
U**s
发帖数: 3390 | 11 工业界需要大量的庸才劳动力
自己有能力又感兴趣的无非往深和往广方向发展了
往深处：总体难度大；搞新算法，理论和实现有突破都可以，国人的优势不小，
XGboost, lightGBM的作者都是老中或者一堆老中
往广处：domain knowledge的结合，各个理工专业的皮埃着地有不少发展机会，而且相
对很多其他行业的薪水大概率还有提高
【在 i***q 的大作中提到】
: 这一行最大的隐患是low hanging的东西摘完了咋办。
:
: Welch
: 巧。
|
l*******2
发帖数: 1 | 12 日，这位仁兄，我一直以为你是学人文历史的。
【在 i***q 的大作中提到】
: 这一行最大的隐患是low hanging的东西摘完了咋办。
:
: Welch
: 巧。
|
e****i
发帖数: 393 | 13 只直接应用传统ML模型的门槛也很低，只是通常perf比较一般，又不是网红，用的公司
不多。现在DL在CV和NLU领域perf好，又是网红。其实DL直接引用的门槛还要高一点，
多少需要点GPU相关知识，门槛虽然低，比直接拿来用传统ML模型的门槛还是要高一点
点。
开发好的DL门槛比传统ML要高，因为通常数据量非常大。
【在 d*****u 的大作中提到】
: 加大的是研究门槛
: 但应用门槛大大降低了，不需要懂太多就能做事
:
: 槛。
|
s*****r
发帖数: 43070 | 14 万物皆可ML
出结果快，能调参，所以各行各业的PHD们趋之若鹜，结果发paper，技能写resume
Welch
巧。
【在 d*****u 的大作中提到】
: 以前搞机器学习模型和AI还真要懂比较多的内部原理。
: 比如图像识别里常用的Markov random fields，涉及各种二元高维高斯模型的优化。因
: 为不trackable还得想各种方法。
: 自然语言处理最起码也要会Hidden Markov Model，最最基本也要熟练掌握Baum–Welch
: algorithm和 Viterbi algorithm
: 机器学习本身就更不用说了，要懂优化、概率论、代数，还有各种选取特征的工程技巧。
: 现在deep learning模型更general了，不仅各种genre的数据都能用，而且超高维的、
: 超长的也可以用。甚至特征提取都免了。直接放进去跑就行了。培训一下就会。
|
d*****u
发帖数: 17243 | 15 传统ML的工具花样其实更多，所以要懂一些的人才好选。
以前效果不好需要改进的时候，得想是模型哪里不好，数据哪里可以调整。对模型得有
较深认识。
现在可调的超参就那么几个，也不指望去改进模型。
主要研究的点变成了怎么用使用数据。
【在 e****i 的大作中提到】
: 只直接应用传统ML模型的门槛也很低，只是通常perf比较一般，又不是网红，用的公司
: 不多。现在DL在CV和NLU领域perf好，又是网红。其实DL直接引用的门槛还要高一点，
: 多少需要点GPU相关知识，门槛虽然低，比直接拿来用传统ML模型的门槛还是要高一点
: 点。
: 开发好的DL门槛比传统ML要高，因为通常数据量非常大。
|
h*****h
发帖数: 264 | 16 大家都用，不等于不用明白原理
再说结果未必比SVM那些可靠 层数多了 说不清
洗脚大妈的逻辑：公司用的=学校学的
按照她的逻辑 CS毕业生在公司写SQL，成了学CS=学SQL了
学校学DS，不等于调参数
Welch
巧。
【在 d*****u 的大作中提到】
: 以前搞机器学习模型和AI还真要懂比较多的内部原理。
: 比如图像识别里常用的Markov random fields，涉及各种二元高维高斯模型的优化。因
: 为不trackable还得想各种方法。
: 自然语言处理最起码也要会Hidden Markov Model，最最基本也要熟练掌握Baum–Welch
: algorithm和 Viterbi algorithm
: 机器学习本身就更不用说了，要懂优化、概率论、代数，还有各种选取特征的工程技巧。
: 现在deep learning模型更general了，不仅各种genre的数据都能用，而且超高维的、
: 超长的也可以用。甚至特征提取都免了。直接放进去跑就行了。培训一下就会。
|
h*****h
发帖数: 264 | 17 滚粗，新毕业的中国人不算，50岁以上的华人 CS系做ML的几个没有
反而是统计系的有几个
算法个屁 都是抄人家20年前美国犹太叫兽的
50岁以上的，老印在ML这个领域都超过老中
【在 U**s 的大作中提到】
: 工业界需要大量的庸才劳动力
: 自己有能力又感兴趣的无非往深和往广方向发展了
: 往深处：总体难度大；搞新算法，理论和实现有突破都可以，国人的优势不小，
: XGboost, lightGBM的作者都是老中或者一堆老中
: 往广处：domain knowledge的结合，各个理工专业的皮埃着地有不少发展机会，而且相
: 对很多其他行业的薪水大概率还有提高
|
i***q
发帖数: 1095 | 18 现在NLP之类的领域的效果确实比十几年前大幅提升了，再加上广告系统和推荐系统的
需求，这是公司愿意出钱砸这些领域的原因。但是如果砸不出效果，也可以很快转向去
干别的。只要别人的模型也提高不了多少，Google完全可以十年不改他们的模型。
【在 U**s 的大作中提到】
: 工业界需要大量的庸才劳动力
: 自己有能力又感兴趣的无非往深和往广方向发展了
: 往深处：总体难度大；搞新算法，理论和实现有突破都可以，国人的优势不小，
: XGboost, lightGBM的作者都是老中或者一堆老中
: 往广处：domain knowledge的结合，各个理工专业的皮埃着地有不少发展机会，而且相
: 对很多其他行业的薪水大概率还有提高
|
h*****h
发帖数: 264 | 19 砸不出效果， 也不会干别的
因为互联网卖货 广告 收入奇快
发动机40-80年代搞了40年，很完善了
生物医学投入巨大 周期长 资本家不愿意投资 所以马功嘲笑钱老
如果IT也不愿意投资
那是美国要经济崩溃了 天天遍地枪击 大家都死
【在 i***q 的大作中提到】
: 现在NLP之类的领域的效果确实比十几年前大幅提升了，再加上广告系统和推荐系统的
: 需求，这是公司愿意出钱砸这些领域的原因。但是如果砸不出效果，也可以很快转向去
: 干别的。只要别人的模型也提高不了多少，Google完全可以十年不改他们的模型。
|
U**s
发帖数: 3390 | 20 原来又是个老将自恨逼，怪不得这么脑残
还尼玛50岁，ML在deep learning后又焕发青春，主力军现在都是年轻一代
【在 h*****h 的大作中提到】
: 滚粗，新毕业的中国人不算，50岁以上的华人 CS系做ML的几个没有
: 反而是统计系的有几个
: 算法个屁 都是抄人家20年前美国犹太叫兽的
: 50岁以上的，老印在ML这个领域都超过老中
|
w*****h
发帖数: 423 | 21 都说现在dl是炼丹，还真没说错，反正大家就像小孩搭积木一样，只要结果好就能发好
paper，
google的batch normalization写得煞有介事说什么原理是reduce internal covariate，
结果一堆其他的paper直接打脸说原因应该是其他的，就这么个破问题灌了好几篇顶会
。
Welch
巧。
【在 d*****u 的大作中提到】
: 以前搞机器学习模型和AI还真要懂比较多的内部原理。
: 比如图像识别里常用的Markov random fields，涉及各种二元高维高斯模型的优化。因
: 为不trackable还得想各种方法。
: 自然语言处理最起码也要会Hidden Markov Model，最最基本也要熟练掌握Baum–Welch
: algorithm和 Viterbi algorithm
: 机器学习本身就更不用说了，要懂优化、概率论、代数，还有各种选取特征的工程技巧。
: 现在deep learning模型更general了，不仅各种genre的数据都能用，而且超高维的、
: 超长的也可以用。甚至特征提取都免了。直接放进去跑就行了。培训一下就会。
|
d*****u
发帖数: 17243 | 22 Google把那个dropout都申请专利了
不知道怎么claim
covariate，
【在 w*****h 的大作中提到】
: 都说现在dl是炼丹，还真没说错，反正大家就像小孩搭积木一样，只要结果好就能发好
: paper，
: google的batch normalization写得煞有介事说什么原理是reduce internal covariate，
: 结果一堆其他的paper直接打脸说原因应该是其他的，就这么个破问题灌了好几篇顶会
: 。
:
: Welch
: 巧。
|
