S*x
2 楼
的option, [email protected]/19
不涨就算了,反正没多少钱
不涨就算了,反正没多少钱
p*a
4 楼
How much per contract?
【在 S*********x 的大作中提到】![](/moin_static193/solenoid/img/up.png)
: 的option, [email protected]/19
: 不涨就算了,反正没多少钱
【在 S*********x 的大作中提到】
![](/moin_static193/solenoid/img/up.png)
: 的option, [email protected]/19
: 不涨就算了,反正没多少钱
S*x
6 楼
$5. woowoooo
S*x
8 楼
没忍住6.4又买了点[email protected]
m*u
12 楼
"工业界对深度学习人才的需求有多大?"
-- 实实在在的说: 木多大.
要选方向,务必选复合老土求职跳槽三原则的.
凡是只有区区少数几个公司用的东西,最好绕过.
因为公司早晚都会裁人的,等你把好年华都费在那儿了,出来了才发现没有公司要你,就
太晚了.
-- 实实在在的说: 木多大.
要选方向,务必选复合老土求职跳槽三原则的.
凡是只有区区少数几个公司用的东西,最好绕过.
因为公司早晚都会裁人的,等你把好年华都费在那儿了,出来了才发现没有公司要你,就
太晚了.
h*3
13 楼
几乎没什么需求。只有超高维度的数据才需要deep learning,比如图像和音频。如果
你预先做做人工feature reduction,然后用svm或者logistic regression一样可以跑
出不错的结果。
事实上,工业界用超高维度做learning本来就是一件不靠谱的事情。如果你的learning
system非要用几百million甚至更多的feature去学习,说明你需要多花花功夫在
feature engineering,而不是纠结于用什么learning算法。你不做feature
engineering,即便学出来一个很不错的model,你也无法去解释。不能解释的model等
于没有model。
你预先做做人工feature reduction,然后用svm或者logistic regression一样可以跑
出不错的结果。
事实上,工业界用超高维度做learning本来就是一件不靠谱的事情。如果你的learning
system非要用几百million甚至更多的feature去学习,说明你需要多花花功夫在
feature engineering,而不是纠结于用什么learning算法。你不做feature
engineering,即便学出来一个很不错的model,你也无法去解释。不能解释的model等
于没有model。
e*r
14 楼
我觉得deep learning为什么现在这么火就是因为其可以做feature learning。
正是因为在很多复杂高维的实际应用中,人工做feature engineering太难,所以才不
得不求助于deep learning。
deep learning的paper最喜欢的argument的不就是 deep learning只需要raw feature
就可以beat那些heavily optimized和domain specific的feature么?
而且deep learning也绝对不是个不能解释的model, 那些paper最津津乐道的不就是"你
看我的hidden node又学出来个猫脸之类的么"? Deep learning的应用在图像视频音频
自然语言这类应用的前景,我觉得还是非常广泛的。
当然我觉得这行最大的问题还是圈子太小,搞research你不是那几个组的不用想发好文
章。另外deep learning里面的dark magic太多,要tune那些参数没像Google, Baidu这
些大的公司的资源很难搞起来。
learning
【在 h********3 的大作中提到】![](/moin_static193/solenoid/img/up.png)
: 几乎没什么需求。只有超高维度的数据才需要deep learning,比如图像和音频。如果
: 你预先做做人工feature reduction,然后用svm或者logistic regression一样可以跑
: 出不错的结果。
: 事实上,工业界用超高维度做learning本来就是一件不靠谱的事情。如果你的learning
: system非要用几百million甚至更多的feature去学习,说明你需要多花花功夫在
: feature engineering,而不是纠结于用什么learning算法。你不做feature
: engineering,即便学出来一个很不错的model,你也无法去解释。不能解释的model等
: 于没有model。
正是因为在很多复杂高维的实际应用中,人工做feature engineering太难,所以才不
得不求助于deep learning。
deep learning的paper最喜欢的argument的不就是 deep learning只需要raw feature
就可以beat那些heavily optimized和domain specific的feature么?
而且deep learning也绝对不是个不能解释的model, 那些paper最津津乐道的不就是"你
看我的hidden node又学出来个猫脸之类的么"? Deep learning的应用在图像视频音频
自然语言这类应用的前景,我觉得还是非常广泛的。
当然我觉得这行最大的问题还是圈子太小,搞research你不是那几个组的不用想发好文
章。另外deep learning里面的dark magic太多,要tune那些参数没像Google, Baidu这
些大的公司的资源很难搞起来。
learning
【在 h********3 的大作中提到】
![](/moin_static193/solenoid/img/up.png)
: 几乎没什么需求。只有超高维度的数据才需要deep learning,比如图像和音频。如果
: 你预先做做人工feature reduction,然后用svm或者logistic regression一样可以跑
: 出不错的结果。
: 事实上,工业界用超高维度做learning本来就是一件不靠谱的事情。如果你的learning
: system非要用几百million甚至更多的feature去学习,说明你需要多花花功夫在
: feature engineering,而不是纠结于用什么learning算法。你不做feature
: engineering,即便学出来一个很不错的model,你也无法去解释。不能解释的model等
: 于没有model。
相关阅读