y*****i
发帖数: 141 | 1 烂校，PhD，网络方向。
publication的质量会有人care吗？自己挣扎做半天到头来只是自慰？另外就目前做的东西看好坏都
不是太好。。。 |
r********3
发帖数: 2998 | 2 他们会问一下你在paper的工作里面做了啥。
网络方向还行，发出去的paper基本都是有实实在在的工作。如果是一些偏理论方向的
paper，特别是learning之类的，再好的质量别人也不怎么care.
的东西看好坏都
【在 y*****i 的大作中提到】
: 烂校，PhD，网络方向。
: publication的质量会有人care吗？自己挣扎做半天到头来只是自慰？另外就目前做的东西看好坏都
: 不是太好。。。
|
f****g
发帖数: 313 | 3 it depends on the position and education of your interviewer.
If the position requires PhD degree, your projects/publications matter a lot
; If the interviewer has PhD degree, he/she might be interested with your
research. Otherwise, nobody cares. |
m*****i
发帖数: 2325 | 4 看招人的人吧？ 但你强调你在你的publication里有很多coding 的实现会很有用。 抛
开coding过分强调publication 有可能引起over qualified 的反效果。
google， MS，等大公司到不注重你的coding，更注重你的个人创造力。
的东西看好坏都
【在 y*****i 的大作中提到】
: 烂校，PhD，网络方向。
: publication的质量会有人care吗？自己挣扎做半天到头来只是自慰？另外就目前做的东西看好坏都
: 不是太好。。。
|
r********3
发帖数: 2998 | 5 Google和MS最注重coding。特别是MS。
【在 m*****i 的大作中提到】
: 看招人的人吧？ 但你强调你在你的publication里有很多coding 的实现会很有用。 抛
: 开coding过分强调publication 有可能引起over qualified 的反效果。
: google， MS，等大公司到不注重你的coding，更注重你的个人创造力。
:
: 的东西看好坏都
|
D*******a
发帖数: 3688 | 6 google is more focused on coding. MS allows you write pseudo code while
google requires production code on white board.
【在 r********3 的大作中提到】
: Google和MS最注重coding。特别是MS。
|
r********3
发帖数: 2998 | 7 好吧。都比较注重。
我觉得networking, storage, database方面发的paper，无论如何都是有很实在的工作
。无论找什么工作，都是很帮助的。至少在工作量和说服力上比computer vision,
machine learning很多paper要强很多。 |
f*****w
发帖数: 2602 | 8 I have different feeling that learning is becoming popular in the industry,
if you are an expert in learning theory, to find a position in google/amazon
is very easy. |
m*p
发帖数: 1331 | 9 小弟弟，先搞个infocomm为校争光再说。阿瓜脸上也有光彩的说。
的东西看好坏都
【在 y*****i 的大作中提到】
: 烂校，PhD，网络方向。
: publication的质量会有人care吗？自己挣扎做半天到头来只是自慰？另外就目前做的东西看好坏都
: 不是太好。。。
|
C*********e
发帖数: 587 | 10 .....这不是胡说吗
【在 r********3 的大作中提到】
: 好吧。都比较注重。
: 我觉得networking, storage, database方面发的paper，无论如何都是有很实在的工作
: 。无论找什么工作，都是很帮助的。至少在工作量和说服力上比computer vision,
: machine learning很多paper要强很多。
|
|
|
m**********n
发帖数: 285 | 11 完全同意。特别是amazon。
,
amazon
【在 f*****w 的大作中提到】
: I have different feeling that learning is becoming popular in the industry,
: if you are an expert in learning theory, to find a position in google/amazon
: is very easy.
|
m**********n
发帖数: 285 | 12 不要再误导别人了。不知道的话还是不要说。看看招聘广告，多少大公司在招learning
的人。
【在 r********3 的大作中提到】
: 他们会问一下你在paper的工作里面做了啥。
: 网络方向还行，发出去的paper基本都是有实实在在的工作。如果是一些偏理论方向的
: paper，特别是learning之类的，再好的质量别人也不怎么care.
:
: 的东西看好坏都
|
C*********e
发帖数: 587 | 13 一直不明白那个running123到底是什么都不懂在胡说，还是故意误导。。。。。
learning
【在 m**********n 的大作中提到】
: 不要再误导别人了。不知道的话还是不要说。看看招聘广告，多少大公司在招learning
: 的人。
|
W*********y
发帖数: 481 | 14 那能多说两句吗，现在machine learning和data mining的phd找工作很吃香？
感觉machine learning的phd平时写写matlab，倒腾公式，离公司的工程要求好像远点。
learning
【在 m**********n 的大作中提到】
: 不要再误导别人了。不知道的话还是不要说。看看招聘广告，多少大公司在招learning
: 的人。
|
C*********e
发帖数: 587 | 15 业界/学术界，用ML/DM/IR/Stat是大趋势
具体到ML，平时用哪种工具的都有，Matlab/C++/R/Java，这看个人
点。
【在 W*********y 的大作中提到】
: 那能多说两句吗，现在machine learning和data mining的phd找工作很吃香？
: 感觉machine learning的phd平时写写matlab，倒腾公式，离公司的工程要求好像远点。
:
: learning
|
I******k
发帖数: 378 | 16 要写上去吗？
的东西看好坏都
【在 y*****i 的大作中提到】
: 烂校，PhD，网络方向。
: publication的质量会有人care吗？自己挣扎做半天到头来只是自慰？另外就目前做的东西看好坏都
: 不是太好。。。
|
x***i
发帖数: 585 | 17 我现在搞security，也是一天到晚，搞statistic & machine learning。
相当的郁闷，co-adviser 是统计系的。说的东东我都不懂啊，经常被鄙视。 |
r********3
发帖数: 2998 | 18 你这话，未免太贬低传统领域的从业人员了。
【在 C*********e 的大作中提到】
: 业界/学术界，用ML/DM/IR/Stat是大趋势
: 具体到ML，平时用哪种工具的都有，Matlab/C++/R/Java，这看个人
:
: 点。
|
M**u
发帖数: 10158 | 19 security没什么可搞了
只能搞ml了。。。
【在 x***i 的大作中提到】
: 我现在搞security，也是一天到晚，搞statistic & machine learning。
: 相当的郁闷，co-adviser 是统计系的。说的东东我都不懂啊，经常被鄙视。
|
u**d
发帖数: 211 | 20 从学术上讲，ml 对很多领域比较有吸引力
结合 ml 的基本方法，经常能得到一些很有意思的结果
但所谓的“有意思”多数仅仅是停留在学术上
关键还是 learning 的准确率
为了发篇文章，90% 的准确率已经很高了
但在很多工业应用中，这是完全不可接受的
当然有些应用没啥问题，比如 recommendation 或者广告
偶尔推荐错了也没啥影响。
我觉得最成功的 learning 应用之一就是垃圾邮件
很简单，准确率 > 99%，应用非常广泛
从这个角度想，要是 learning 最好的准确率只有 90%
100 封邮件丢 10 封，换成哪个公司都要掂量掂量
丢这么多信，用户肯定要抱怨
【在 x***i 的大作中提到】
: 我现在搞security，也是一天到晚，搞statistic & machine learning。
: 相当的郁闷，co-adviser 是统计系的。说的东东我都不懂啊，经常被鄙视。
|
|
|
d******e
发帖数: 7844 | 21 哪有你这么衡量的。
真正的应用是要调节Specificity和Sensitivity来满足需求的。
准确率只有80%的分类器，一样有可能会很实用。
一个笼统的99%准确率根本说明不了任何问题。
【在 u**d 的大作中提到】
: 从学术上讲，ml 对很多领域比较有吸引力
: 结合 ml 的基本方法，经常能得到一些很有意思的结果
: 但所谓的“有意思”多数仅仅是停留在学术上
: 关键还是 learning 的准确率
: 为了发篇文章，90% 的准确率已经很高了
: 但在很多工业应用中，这是完全不可接受的
: 当然有些应用没啥问题，比如 recommendation 或者广告
: 偶尔推荐错了也没啥影响。
: 我觉得最成功的 learning 应用之一就是垃圾邮件
: 很简单，准确率 > 99%，应用非常广泛
|
u**d
发帖数: 211 | 22 不是所有的问题都能通过参数调节来达到要求啊
就算是针对 training set 做好了，来新的咋办？
重新调？自动调？如何调？
退一步，即使模型可以参数化，如果 workload 如何，准确率就如何
可实际的 workload 可能本身就很复杂，无法 model
我提 email spam 就是因为是一个很简单的模型，不用很复杂的参数调节
对实际的 workload 就能有很好的结果。
我们的 research，很多时候提了一个方法，对 1,2,3 情况有提高
可问题是在实际的 workload 里，根本无法自动区分 1,2,3
如果这个方法对 4,5,6 不 work 或者差很多, 你让用户怎么用？
当然新的方法是有意义的，但是对实际的系统很难有影响
80% 当然可以很实用，看 application 嘛
search 为例，把 non-sense 的结果放在前几名，用户没啥问题
大多数结果好就行了。可要是 facet search，把一些 non-sense
的 value 做 navigation 就非常的尴尬
【在 d******e 的大作中提到】
: 哪有你这么衡量的。
: 真正的应用是要调节Specificity和Sensitivity来满足需求的。
: 准确率只有80%的分类器，一样有可能会很实用。
: 一个笼统的99%准确率根本说明不了任何问题。
|
d******e
发帖数: 7844 | 23 果然是个外行，连基本的ROC曲线都不懂。
学过基本的机器学习课程的人都知道决策是要由代价来决定的。
比如一个指纹认证系统，把错误的识别为正确的会带来非常大的代价。
而把正确的识别为错误的代价很小，用户只要重新调整姿势输入即可。
所以作为一个指纹识别系统，False Positive Rate通常要控制的非常低，比如0.001%。
而False Negative rate有5%甚至10%都无所谓。而不是像你说的单纯追求准确率。
垃圾邮件的识别一样要作上述的调节，一般来说，把重要邮件识别为垃圾邮件，代价很
大，所以False Positive Rate也要控制的很低。这也是为什么hotmail里有很多广告邮
件会出现，原因就是他们的过滤器牺牲了FN来降低FP。
这种调节是工业应用中常用的手段，不是你一拍脑门就能在这里YY出来的
【在 u**d 的大作中提到】
: 不是所有的问题都能通过参数调节来达到要求啊
: 就算是针对 training set 做好了，来新的咋办？
: 重新调？自动调？如何调？
: 退一步，即使模型可以参数化，如果 workload 如何，准确率就如何
: 可实际的 workload 可能本身就很复杂，无法 model
: 我提 email spam 就是因为是一个很简单的模型，不用很复杂的参数调节
: 对实际的 workload 就能有很好的结果。
: 我们的 research，很多时候提了一个方法，对 1,2,3 情况有提高
: 可问题是在实际的 workload 里，根本无法自动区分 1,2,3
: 如果这个方法对 4,5,6 不 work 或者差很多, 你让用户怎么用？
|
r********3
发帖数: 2998 | 24 ml只是一个工具而已，不应该夸张其作用和重要程度。
很多自然学科，实际应用不接受ml的一个重要原因就是，纯ml做出来的东西并没有寻求
到问题的本质。它只是作为帮助人类探索本质的一个工具而已。所以，相对于很多归根
结底探索自然本质的传统学科做法来说，显得肤浅了一些。
肯定马上会有人跳出来说，ml的数学背景和理论那么高深复杂，怎么可能“肤浅”呢？
这里的肤浅是指对问题本质的探索。而ml背后所谓一大堆理论，都是ml专家自己搞出来
的一套东西。他们并没有去论证问题的本质是否遵循那套理论的。而论证问题本质是否
遵循一套理论，比知道这套理论之后如何创建模型去解决，更加重要百倍。
我以前举个地震预报的例子来说明为什么单纯做ml的人很肤浅。做ml的人的做法，就是
Google一堆历史数据，然后在matlab上写点script，做做feature selection，把各种
decision tree, SVM, neural network等程序来跑一把，然后就得到一个预测模型了。
真正搞地质学的人，在没有搞清楚地震发生的本质原因的时候，是不会做任何预报工作
的。他们会背着采样仪器，跑到深山野林，火山口，深海油田，去寻找地壳底层的岩石
样本。然后请教化学家，做物质化学组成的分析。然后请教流体力学，对地壳内部，地
幔层等物理模型做猜测。然后根据地壳漂移的学说，推断某个地理板块是否是断层带，
是否受到板块挤压。同时，根据国家地震网的探针数据分析其挤压板块是否处于活跃。
然后由此做地震预报工作。
【在 u**d 的大作中提到】
: 从学术上讲，ml 对很多领域比较有吸引力
: 结合 ml 的基本方法，经常能得到一些很有意思的结果
: 但所谓的“有意思”多数仅仅是停留在学术上
: 关键还是 learning 的准确率
: 为了发篇文章，90% 的准确率已经很高了
: 但在很多工业应用中，这是完全不可接受的
: 当然有些应用没啥问题，比如 recommendation 或者广告
: 偶尔推荐错了也没啥影响。
: 我觉得最成功的 learning 应用之一就是垃圾邮件
: 很简单，准确率 > 99%，应用非常广泛
|
k****n
发帖数: 1334 | 25 i really don't think so
显然做networking system database的是一大块，ml只是小部分需求
research lab或者学校另当别论
当民工不看ml
learning
【在 m**********n 的大作中提到】
: 不要再误导别人了。不知道的话还是不要说。看看招聘广告，多少大公司在招learning
: 的人。
|
s*******a
发帖数: 8827 | 26 不错，这个地震的例子挺有意思的
【在 r********3 的大作中提到】
: ml只是一个工具而已，不应该夸张其作用和重要程度。
: 很多自然学科，实际应用不接受ml的一个重要原因就是，纯ml做出来的东西并没有寻求
: 到问题的本质。它只是作为帮助人类探索本质的一个工具而已。所以，相对于很多归根
: 结底探索自然本质的传统学科做法来说，显得肤浅了一些。
: 肯定马上会有人跳出来说，ml的数学背景和理论那么高深复杂，怎么可能“肤浅”呢？
: 这里的肤浅是指对问题本质的探索。而ml背后所谓一大堆理论，都是ml专家自己搞出来
: 的一套东西。他们并没有去论证问题的本质是否遵循那套理论的。而论证问题本质是否
: 遵循一套理论，比知道这套理论之后如何创建模型去解决，更加重要百倍。
: 我以前举个地震预报的例子来说明为什么单纯做ml的人很肤浅。做ml的人的做法，就是
: Google一堆历史数据，然后在matlab上写点script，做做feature selection，把各种
|
d******e
发帖数: 7844 | 27 你这个棒槌又出来晃悠了。
【在 r********3 的大作中提到】
: ml只是一个工具而已，不应该夸张其作用和重要程度。
: 很多自然学科，实际应用不接受ml的一个重要原因就是，纯ml做出来的东西并没有寻求
: 到问题的本质。它只是作为帮助人类探索本质的一个工具而已。所以，相对于很多归根
: 结底探索自然本质的传统学科做法来说，显得肤浅了一些。
: 肯定马上会有人跳出来说，ml的数学背景和理论那么高深复杂，怎么可能“肤浅”呢？
: 这里的肤浅是指对问题本质的探索。而ml背后所谓一大堆理论，都是ml专家自己搞出来
: 的一套东西。他们并没有去论证问题的本质是否遵循那套理论的。而论证问题本质是否
: 遵循一套理论，比知道这套理论之后如何创建模型去解决，更加重要百倍。
: 我以前举个地震预报的例子来说明为什么单纯做ml的人很肤浅。做ml的人的做法，就是
: Google一堆历史数据，然后在matlab上写点script，做做feature selection，把各种
|
D***r
发帖数: 7511 | 28 你说的大体上是没错
但是，machine learning本身也是一种观察手段
所以可以用ml的方法来帮助发现地壳运动规律，等等
而且，地震预报就是地震预报，哪个方法最管用就用哪个
这完全是engineering
【在 r********3 的大作中提到】
: ml只是一个工具而已，不应该夸张其作用和重要程度。
: 很多自然学科，实际应用不接受ml的一个重要原因就是，纯ml做出来的东西并没有寻求
: 到问题的本质。它只是作为帮助人类探索本质的一个工具而已。所以，相对于很多归根
: 结底探索自然本质的传统学科做法来说，显得肤浅了一些。
: 肯定马上会有人跳出来说，ml的数学背景和理论那么高深复杂，怎么可能“肤浅”呢？
: 这里的肤浅是指对问题本质的探索。而ml背后所谓一大堆理论，都是ml专家自己搞出来
: 的一套东西。他们并没有去论证问题的本质是否遵循那套理论的。而论证问题本质是否
: 遵循一套理论，比知道这套理论之后如何创建模型去解决，更加重要百倍。
: 我以前举个地震预报的例子来说明为什么单纯做ml的人很肤浅。做ml的人的做法，就是
: Google一堆历史数据，然后在matlab上写点script，做做feature selection，把各种
|
d******e
发帖数: 7844 | 29 这个人是个learning盲，你跟他说这个没用。
【在 D***r 的大作中提到】
: 你说的大体上是没错
: 但是，machine learning本身也是一种观察手段
: 所以可以用ml的方法来帮助发现地壳运动规律，等等
: 而且，地震预报就是地震预报，哪个方法最管用就用哪个
: 这完全是engineering
|
v***0
发帖数: 5096 | 30 你这个棒槌以来总给网民带来欢笑。
【在 r********3 的大作中提到】
: ml只是一个工具而已，不应该夸张其作用和重要程度。
: 很多自然学科，实际应用不接受ml的一个重要原因就是，纯ml做出来的东西并没有寻求
: 到问题的本质。它只是作为帮助人类探索本质的一个工具而已。所以，相对于很多归根
: 结底探索自然本质的传统学科做法来说，显得肤浅了一些。
: 肯定马上会有人跳出来说，ml的数学背景和理论那么高深复杂，怎么可能“肤浅”呢？
: 这里的肤浅是指对问题本质的探索。而ml背后所谓一大堆理论，都是ml专家自己搞出来
: 的一套东西。他们并没有去论证问题的本质是否遵循那套理论的。而论证问题本质是否
: 遵循一套理论，比知道这套理论之后如何创建模型去解决，更加重要百倍。
: 我以前举个地震预报的例子来说明为什么单纯做ml的人很肤浅。做ml的人的做法，就是
: Google一堆历史数据，然后在matlab上写点script，做做feature selection，把各种
|
|
|
z**l
发帖数: 292 | 31 你描述的是一种应用ML解决实际问题的方法，但是更多情况下更重要的是ML算法跟人在
实际应用中的互动。比如你说的收集历史数据，下一步是feature discovery or
extraction，找出所有可能相关的feature，这一步其实是把人的知识放进modeling的
过程。然后做feature selection，然后modeling。根据model的结果，找出不work的可
能原因，比如是某些data instance上model效果很差，那么就要人为（最好有domain
expert）找出原因。多半是有些重要的feature没有发现，然后人也可以在model的提示
下更新自己的知识。这种人与model交互提高的过程才是ml算法在实际中最常见的应用
模式。至于你说的找到原因，比起背着设备直接去找，如果有model提出方向，找原因
的过程会更加有针对性，更加有效率。
【在 r********3 的大作中提到】
: ml只是一个工具而已，不应该夸张其作用和重要程度。
: 很多自然学科，实际应用不接受ml的一个重要原因就是，纯ml做出来的东西并没有寻求
: 到问题的本质。它只是作为帮助人类探索本质的一个工具而已。所以，相对于很多归根
: 结底探索自然本质的传统学科做法来说，显得肤浅了一些。
: 肯定马上会有人跳出来说，ml的数学背景和理论那么高深复杂，怎么可能“肤浅”呢？
: 这里的肤浅是指对问题本质的探索。而ml背后所谓一大堆理论，都是ml专家自己搞出来
: 的一套东西。他们并没有去论证问题的本质是否遵循那套理论的。而论证问题本质是否
: 遵循一套理论，比知道这套理论之后如何创建模型去解决，更加重要百倍。
: 我以前举个地震预报的例子来说明为什么单纯做ml的人很肤浅。做ml的人的做法，就是
: Google一堆历史数据，然后在matlab上写点script，做做feature selection，把各种
|
m**********n
发帖数: 285 | 32 赞一个。很多人不理解 human learning + machine learning。
另外多说一个不相关的。不要只考虑分类精度。不是非得彻底solve问题才能用。在不少应用中，能用machine learning的方法降低当前的损失就意味着赚钱。
【在 z**l 的大作中提到】
: 你描述的是一种应用ML解决实际问题的方法，但是更多情况下更重要的是ML算法跟人在
: 实际应用中的互动。比如你说的收集历史数据，下一步是feature discovery or
: extraction，找出所有可能相关的feature，这一步其实是把人的知识放进modeling的
: 过程。然后做feature selection，然后modeling。根据model的结果，找出不work的可
: 能原因，比如是某些data instance上model效果很差，那么就要人为（最好有domain
: expert）找出原因。多半是有些重要的feature没有发现，然后人也可以在model的提示
: 下更新自己的知识。这种人与model交互提高的过程才是ml算法在实际中最常见的应用
: 模式。至于你说的找到原因，比起背着设备直接去找，如果有model提出方向，找原因
: 的过程会更加有针对性，更加有效率。
|
r********3
发帖数: 2998 | 33 我从来没有说ML没有用。我只是说大家不要夸大ML的实际用处。
【在 z**l 的大作中提到】
: 你描述的是一种应用ML解决实际问题的方法，但是更多情况下更重要的是ML算法跟人在
: 实际应用中的互动。比如你说的收集历史数据，下一步是feature discovery or
: extraction，找出所有可能相关的feature，这一步其实是把人的知识放进modeling的
: 过程。然后做feature selection，然后modeling。根据model的结果，找出不work的可
: 能原因，比如是某些data instance上model效果很差，那么就要人为（最好有domain
: expert）找出原因。多半是有些重要的feature没有发现，然后人也可以在model的提示
: 下更新自己的知识。这种人与model交互提高的过程才是ml算法在实际中最常见的应用
: 模式。至于你说的找到原因，比起背着设备直接去找，如果有model提出方向，找原因
: 的过程会更加有针对性，更加有效率。
|
