t*d
2 楼
2个半月大的男宝宝,以前是个小天使,晚上7点睡,半夜3点喂一次就行了,现在气还
是多的不行,晚上1:30就让气给弄醒了。现在晚上干脆跟我睡了,直接胸喂了。
是多的不行,晚上1:30就让气给弄醒了。现在晚上干脆跟我睡了,直接胸喂了。
s*e
3 楼
准备回国,要买中高档职业女装,
美国哪些牌子中国比较推崇啊?
网站?outlet?哪里买比较省钱~
谢谢
美国哪些牌子中国比较推崇啊?
网站?outlet?哪里买比较省钱~
谢谢
H*g
4 楼
【 以下文字转载自 Military 讨论区 】
发信人: xiaxie8 (我只爱中国美女), 信区: Military
标 题: Re: 正恩中风了!
发信站: BBS 未名空间站 (Thu Sep 25 23:17:04 2014, 美东)
真知灼见!
发信人: xiaxie8 (我只爱中国美女), 信区: Military
标 题: Re: 正恩中风了!
发信站: BBS 未名空间站 (Thu Sep 25 23:17:04 2014, 美东)
真知灼见!
h*3
5 楼
工业应用很小,基本上都是被吹嘘出来的。
现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
,而不是选择什么分类算法。
现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
regression和SVM更方便一些。
此外,在deep learning吹大之前就有很多基于监督的高维数据的降维和feature
reconstruction的算法。用这些算法先对超高维度的feature进行一个预处理,然后再
用logistic regression和SVM分类,背后的逻辑几乎和deep learning是一样的。
【在 d*****u 的大作中提到】
: 这两年不少人在做这个方向
: 在学术界之外市场行情如何?
现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
,而不是选择什么分类算法。
现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
regression和SVM更方便一些。
此外,在deep learning吹大之前就有很多基于监督的高维数据的降维和feature
reconstruction的算法。用这些算法先对超高维度的feature进行一个预处理,然后再
用logistic regression和SVM分类,背后的逻辑几乎和deep learning是一样的。
【在 d*****u 的大作中提到】
: 这两年不少人在做这个方向
: 在学术界之外市场行情如何?
b*e
7 楼
brook brothers? theory? 这些算中档,也不差了。还是店里买吧,这样还可以根据个
人体型改个袖长什么的。
人体型改个袖长什么的。
H*g
8 楼
这个文章是虾蟹7月写的。现在谣传三胖三高,要不行了。
发信人: xiaxie8 (爱情是奢侈品), 信区: Military
标 题: 正恩中风了!
发信站: BBS 未名空间站 (Tue Jul 8 12:32:26 2014, 美东)
发信人: xiaxie8 (爱情是奢侈品), 信区: Military
标 题: 正恩中风了!
发信站: BBS 未名空间站 (Tue Jul 8 12:32:26 2014, 美东)
d*u
9 楼
thanks 解释得很专业
我感觉deep learning的一个好处似乎是不用做太多的预处理
比如图像,直接送进去再说,不用去操心用什么filter或者找什么point of interest
里面每一层其实就是一个新的representation,可能会给研究带来一些启发
但说到底也还是data driven
估计绝大多数中小企业都犯不着去用它
logistic regression什么的就是直接去model各数据的边界
所以特征选取比较重要
数学模型相对简单,运算也快
另外deep learning的模型听起来比较酷一点,好多信息论以及物理里的名词
所以门槛稍高,可以培养圈子骗funding
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
我感觉deep learning的一个好处似乎是不用做太多的预处理
比如图像,直接送进去再说,不用去操心用什么filter或者找什么point of interest
里面每一层其实就是一个新的representation,可能会给研究带来一些启发
但说到底也还是data driven
估计绝大多数中小企业都犯不着去用它
logistic regression什么的就是直接去model各数据的边界
所以特征选取比较重要
数学模型相对简单,运算也快
另外deep learning的模型听起来比较酷一点,好多信息论以及物理里的名词
所以门槛稍高,可以培养圈子骗funding
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
v*1
10 楼
好大眼睛^_^
x*r
13 楼
不实用。
能做点东西并得到认可的都是有头有脸的人。
普通人,还是别浪费时间了。
学历不够,资历不够,DL的实验室都去不了。
能做点东西并得到认可的都是有头有脸的人。
普通人,还是别浪费时间了。
学历不够,资历不够,DL的实验室都去不了。
m*i
14 楼
这眼睛大的...好精神!
c*z
17 楼
个人理解,DL可以看作一个wrapper,底层可以仍然使用logit或者SVM或者anything
d*k
18 楼
头抬的真好啊!眼睛真大啊!!
c*z
21 楼
w*n
22 楼
真棒!是不是2个半月的小宝宝都能抬头抬这么好?
r*g
24 楼
DL还有路要走。优点是糙快猛,一把锤子拍哪哪响。
问题是理论不行,好你也不知道为什么好,不好也不知道为什么不好,拍了不响就不知
道怎么拍好了。
问题是理论不行,好你也不知道为什么好,不好也不知道为什么不好,拍了不响就不知
道怎么拍好了。
e*y
27 楼
解释的很好,和我想法很相近,谢谢
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
s*e
31 楼
今天買了theory的西裝,稅後200,還不錯。
大家說的牌子估計現在買不起啊。。。
大家說的牌子估計現在買不起啊。。。
d*n
32 楼
做这个要有耐心和勇气。往后看,例如追sigmod从2010年追到现在,那自然是感慨得不
得了。但是往前看,如果60岁无人驾驶还没有普及,你说会不会后悔?
得了。但是往前看,如果60岁无人驾驶还没有普及,你说会不会后悔?
b*k
34 楼
mark 专业!
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
e*s
35 楼
刚好说反了吧. flg都开始用在产品里了. 最大的问题是缺乏理论, 学出来的feature为
什么好 怎么好 什么时候好 什么时候不好没有人能解释清楚. PHD做Deep learning基
本学不到什么东西.
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
什么好 怎么好 什么时候好 什么时候不好没有人能解释清楚. PHD做Deep learning基
本学不到什么东西.
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
g*y
36 楼
说的大多同意,除了“极微弱”的优势这个描述。在高维数据上,优势还是很明显的。
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
B*i
37 楼
知道几个start up找做DL的都是几个$m 的offer.
N*m
38 楼
基于监督的高维降维是难点,没那么简单
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
【在 h********3 的大作中提到】
: 工业应用很小,基本上都是被吹嘘出来的。
: 现实当中绝大多数分类问题,logistic regression和SVM比deep learning效果更好速
: 度更快。deep learning只有在超高维的数据,比如图像,声音,和具有海量训练数据
: 的情况下,才有极微弱的优势战胜logistic regression和SVM。工业应用当中,
: feature engineering是最能决定精度的,而不是分类算法。如何做feature是主要问题
: ,而不是选择什么分类算法。
: 现实当中很多重要的问题,例如医学生物,训练出一个分类器,只是得到一个基于临床
: 数据的猜想。专业人员还要对学习出来的coefficient和feature进行专门的隔离和病理
: 分析验证,最后才能得到可靠的结论。deep learning中间太多层了,所以logistic
: regression和SVM更方便一些。
c*z
42 楼
我工作中的主要问题不是feature太多,而是没有feature,得自己挖掘
感觉DL应该有帮助,但是一直没有时间学,
这也是跳槽的原因之一,老是不让去conference,也不让学新技术
感觉DL应该有帮助,但是一直没有时间学,
这也是跳槽的原因之一,老是不让去conference,也不让学新技术
x*q
47 楼
个人觉得DL最大的好处是他能够自己学feature
不要去设计或提取feature
CNN就是发展的很不错的了,虽然理论还有距离
其他的RNN,LSTM之类的用处都很大,
很多公司都已经用了,比如google,FB。。。
不要去设计或提取feature
CNN就是发展的很不错的了,虽然理论还有距离
其他的RNN,LSTM之类的用处都很大,
很多公司都已经用了,比如google,FB。。。
d*e
48 楼
mark瀛︿範
h*l
50 楼
deep learning这几年简直横扫了语音识别,图像识别领域。连下棋都用上了。这几个
井底之蛙还在问行不行?
井底之蛙还在问行不行?
e*o
56 楼
好比别人搞出了JAVA,你学写JAVA也可以吃肉喝汤。所以未必非得“搞出”DL,只要能
用DL赚钱即可。
用DL赚钱即可。
相关阅读
十条笑话:我丑的不要不要的,再急俺就嫁给你! zz习大大和奥巴马最多也就唠家常【相声】误闯食人国美国哪里买的到220CMX230CM的被套? (转载)苏珊赖斯在萧山机场被小黄人屌了一顿! (转载)搞笑精选:太大胆了,你丈母娘你都敢动! zz昨天抓到一个decent的龙一些笑话“死亡之面”吃下这碗面条 后 厨师竟然聋了(组图) 京华时报 隔壁小王 7小时43分钟前 http://p0.ifengimg.com/a/2016_36/ff203affe5d4f1c_size20_w458_h305.jpg 近日一名22岁的英国厨师在印度尼西亚一间餐馆内见到了号称“死亡之面”的面条,不以为然的他刚吃了一点就开始不停出汗,辣到只能狂喝水,甚至都出现2分钟的耳聋。“这绝对是全世界最辣的面了。”这名厨师表示。据了解,这份面条用了号称全球最辣的鸟眼辣椒,其辣度是塔巴斯科辣椒酱的4000倍。 http://p0.ifengimg.com/a/2016_36/ec84e49c643a9e9_size21_w458_h305.jpg 报道称,这位厨师表示,“这是我所吃过的一种最辣的特定食物。在几秒的尝试后,我已经开始出汗,并感觉很糟。”为了不失去知觉,他将自己的头放在冷水龙头下冲洗。所有决定尝试这种“死亡面条”的人都在试吃后几分钟内将面条吐了出来。 http://p2.ifengimg.com/a/2016_36/5a333043d83af89_size16_w458_h305.jpg 为了消除这种由辣度而引起的疼痛,该厨师喝掉大量奶昔。 http://p3.ifengimg.com/a/2016_36/9794a37774037ae_size16_w458_h305.jpg 为了不失去知觉,他还将自己的头放在冷水下冲洗。 http://p1.ifengimg.com/a/2016_36/a19fa203b1709d7_size21_w458_h305.jpg 图为厨师尝试最辣面条。 http://p0.ifengimg.com/a/2016_36/369559a23839215_size13_w458_h305.jpg http://p1.ifengimg.com/a/2016_36/84f7fbca5ecc513_size15_w458_h305.jpg http://p3.ifengimg.com/a/2016_36/4997a5edf5973bd_size19_w458_h305.jpgRe: 舷梯事件的始末 (转载)[KJPT]谷歌AI告诉你 一根真正优秀的黄瓜是什么样的 (转载)除了远方与苟且,还有前任送来的请帖是不是都是机器人啊犹记得刚毕业时同学发的黄色笑话川普民调领先,稀拉拉要是气挂了……普京送安倍一把武士刀 (转载)习主席的北京话很标准:neng4潮儿 (转载)Falcone 9爆炸视频 (转载)其实没必要 power up三体攻击开始? 九月一号中美两国卫星发射均失败坠毁