Redian新闻
>
Re: 正恩中风了! (转载)
avatar
Re: 正恩中风了! (转载)# Joke - 肚皮舞运动
d*u
1
这两年不少人在做这个方向
在学术界之外市场行情如何?
avatar
t*d
2
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。
avatar
s*e
3
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
avatar
H*g
4
【 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!
avatar
h*3
5
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?

avatar
t*d
6


【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。

avatar
b*e
7
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。
avatar
H*g
8
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)
avatar
d*u
9
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。

avatar
v*1
10
好大眼睛^_^
avatar
s*e
11
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。

avatar
b*e
12
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)

avatar
x*r
13
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。
avatar
m*i
14
这眼睛大的...好精神!
avatar
m*k
15
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。。。

avatar
p*e
16
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)

avatar
c*z
17
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
avatar
d*k
18
头抬的真好啊!眼睛真大啊!!
avatar
y*g
19

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。。。

avatar
M*u
20
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
avatar
w*n
22
真棒!是不是2个半月的小宝宝都能抬头抬这么好?
avatar
m*c
23
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

avatar
r*g
24
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。
avatar
l*3
25
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。

avatar
y*u
26
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。
avatar
e*y
27
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。

avatar
t*d
28
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?
avatar
f*3
29
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

avatar
l*m
30
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?

avatar
s*e
31
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。。。
avatar
d*n
32
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?
avatar
c*g
33
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
avatar
b*k
34
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。

avatar
e*s
35
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。

avatar
g*y
36
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。

avatar
B*i
37
知道几个start up找做DL的都是几个$m 的offer.
avatar
N*m
38
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。

avatar
N*m
39
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.

avatar
c*z
40
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
avatar
N*m
41
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?
avatar
c*z
42
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
avatar
l*m
43
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

avatar
N*m
44
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

avatar
c*z
45
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。
avatar
a*y
46
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.
avatar
x*q
47
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。。。
avatar
d*e
48
mark瀛︿範
avatar
l*z
49
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?

avatar
h*l
50
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?
avatar
p*d
51
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?

avatar
S*8
52
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?

avatar
h*j
53
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。
avatar
x*r
54
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
avatar
x*r
55
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?

avatar
e*o
56
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。
相关阅读
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。