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？
t*d
6 楼
【在 t******d 的大作中提到】
: 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。
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^_^
s*e
11 楼
这两个牌子国内名气怎么样？
既然国内就看中名气，我也只有从了。。。
【在 b******e 的大作中提到】
: 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。
既然国内就看中名气，我也只有从了。。。
【在 b******e 的大作中提到】
: 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。
b*e
12 楼
不是马上风？
【在 H********g 的大作中提到】
: 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)
【在 H********g 的大作中提到】
: 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)
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！
m*k
15 楼
你要名气，当然去找 Dior 的裙子，Prada 套装之类的。
【在 s***e 的大作中提到】
: 这两个牌子国内名气怎么样？
: 既然国内就看中名气，我也只有从了。。。
【在 s***e 的大作中提到】
: 这两个牌子国内名气怎么样？
: 既然国内就看中名气，我也只有从了。。。
p*e
16 楼
虾大将真厉害
【在 H********g 的大作中提到】
: 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)
【在 H********g 的大作中提到】
: 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)
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！！
y*g
19 楼
chanel
【在 s***e 的大作中提到】
: 这两个牌子国内名气怎么样？
: 既然国内就看中名气，我也只有从了。。。
M*u
20 楼
之前正恩已经瘸了一次了
【在 p*e 的大作中提到】
: 虾大将真厉害
【在 p*e 的大作中提到】
: 虾大将真厉害
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？
m*c
23 楼
推荐一个，ST JOHN。
【在 s***e 的大作中提到】
: 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
【在 s***e 的大作中提到】
: 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
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。
l*3
25 楼
re
【在 t******d 的大作中提到】
: 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。
【在 t******d 的大作中提到】
: 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。
y*u
26 楼
这个不错，不过不是‘标准‘样式，established可以。
【在 m********c 的大作中提到】
: 推荐一个，ST JOHN。
【在 m********c 的大作中提到】
: 推荐一个，ST JOHN。
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。
t*d
28 楼
不知道，我家这个刚出来没多久就一个劲抬脑袋，估计练多了
【在 w*******n 的大作中提到】
: 真棒！是不是2个半月的小宝宝都能抬头抬这么好？
【在 w*******n 的大作中提到】
: 真棒！是不是2个半月的小宝宝都能抬头抬这么好？
f*3
29 楼
如果身材高就在这买， 如果像俺还不如回国买，可选的比较多。
【在 s***e 的大作中提到】
: 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
【在 s***e 的大作中提到】
: 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
l*m
30 楼
如果已经在dl小团体里，有0.4-1m的包裹。没有的话，还和一般人一样
【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？
【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？
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？
c*g
33 楼
正解 DL要在现实取得让用户非常满意的效果 还有很长的路要走
【在 l*******m 的大作中提到】
: 如果已经在dl小团体里，有0.4-1m的包裹。没有的话，还和一般人一样
【在 l*******m 的大作中提到】
: 如果已经在dl小团体里，有0.4-1m的包裹。没有的话，还和一般人一样
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。
N*m
39 楼
是这个问题
【在 e*******s 的大作中提到】
: 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 e*******s 的大作中提到】
: 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.
c*z
40 楼
unsupervised 的做过，supervised还真不知道怎么做，大牛能不能说几句？
【在 N*****m 的大作中提到】
: 基于监督的高维降维是难点，没那么简单
【在 N*****m 的大作中提到】
: 基于监督的高维降维是难点，没那么简单
N*m
41 楼
主要是feature selection， pca等等，对于高维数据不是很实用
【在 c***z 的大作中提到】
: unsupervised 的做过，supervised还真不知道怎么做，大牛能不能说几句？
【在 c***z 的大作中提到】
: unsupervised 的做过，supervised还真不知道怎么做，大牛能不能说几句？
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
l*m
43 楼
DL在data有很多redendncy 是比较有用，太多features 可以做，这样交给机器比较好。
【在 c***z 的大作中提到】
: 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
【在 c***z 的大作中提到】
: 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
N*m
44 楼
没有feature是因为太多了，你不知道到底哪个是features
【在 c***z 的大作中提到】
: 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
【在 c***z 的大作中提到】
: 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
c*z
45 楼
对，没有feature其实就是太多feature，unstructured
好。
【在 l*******m 的大作中提到】
: DL在data有很多redendncy 是比较有用，太多features 可以做，这样交给机器比较好。
好。
【在 l*******m 的大作中提到】
: DL在data有很多redendncy 是比较有用，太多features 可以做，这样交给机器比较好。
a*y
46 楼
哪些startup呢
【在 B***i 的大作中提到】
: 知道几个start up找做DL的都是几个$m 的offer.
【在 B***i 的大作中提到】
: 知道几个start up找做DL的都是几个$m 的offer.
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
l*z
49 楼
围观年薪200万刀的大神们
【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？
【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？
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？
p*d
51 楼
装内行回帖的那位大牛以前很活跃
各种吹捧 L 和MS
我真要服了他了
【在 h**l 的大作中提到】
: 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？
各种吹捧 L 和MS
我真要服了他了
【在 h**l 的大作中提到】
: 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？
S*8
52 楼
哈哈, 人都是屁股决定脑袋, 自己没能赶上这波浪, 就贬低是hype
【在 h**l 的大作中提到】
: 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？
【在 h**l 的大作中提到】
: 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？
h*j
53 楼
主要是高维数据的建模对人类比较困难，现有的feature extraction还没能和机器自己
学习出来的抗衡
【在 g****y 的大作中提到】
: 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。
学习出来的抗衡
【在 g****y 的大作中提到】
: 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。
x*r
54 楼
差不多。真正搞得，也就是那么些人。跟风的，学了，用处不大。
【在 l*******m 的大作中提到】
: 如果已经在dl小团体里，有0.4-1m的包裹。没有的话，还和一般人一样
【在 l*******m 的大作中提到】
: 如果已经在dl小团体里，有0.4-1m的包裹。没有的话，还和一般人一样
x*r
55 楼
要做这个，首先要看跟着谁。
【在 d****n 的大作中提到】
: 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？
【在 d****n 的大作中提到】
: 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？
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
CCAV天网栏目狗血案件——算计 (转载)Re: BOA太下流了 (转载)宝宝报了一箭之仇了Re: 中国十天内射两种新洲际核导弹 (转载)Re: 发个卫星而已，玻利维亚人民庆祝太隆重了！ (转载)感动吗生过小孩的地方(转贴)这学期认识一个北京女同学，她老发出一个音”伊乌月“，是Re: 第一次碰见一大堆邻居小孩到家门口唱圣诞歌曲 (转载)巴西政府公布2014年节假日安排 放假长达8个月该不该回国 (转载)今天谁在上班的老婆太抠门，实在受不了了 (转载)英国名医在病人器官上签名SB遭停职(图)老公的墨镜和我的spa (转载)支持恢复君主制的一定要转 (转载)我心目中最男人的男人，那绿色的身影总在我梦中出现，让我渴望 (转载)地出和地落 (转载)咋看都觉得PS痕迹很严重啊人生短暂， 我明年也要赌。 (转载)