x***i
发帖数: 585 | 1 大家来讨论一下 software engineer-machine learning || data mining 的要求把。 |
x***i
发帖数: 585 | 2 这个是yelp的。
You should have...
A passion for big data, and creative ideas for what to do with it.
The algorithms and data structures experience to make your ideas workable.
The coding experience to turn those ideas into reality. We use Java & Python
. You don’t need to be an expert, but experience is a plus and we will
expect you to learn them on the job.
A background in Machine Learning or Information Retrieval.
Minimum BA/BS degree in Computer Science, Math, or related degree
A love of delighting people with local knowledge.
Pluses...
Experience working with ElasticSearch, Lucene, Hadoop, or mrjob
Experience applying Auction theory, CTR prediction, Game theory, Graph
theory, Natural language processing, Recommender systems, Spam detection,
Stochastic optimization |
x***i
发帖数: 585 | 3 大家都没兴趣哇？我感觉ML未来的机会会越来越多的。而且不像码工，有个知识积累的
过程，不容易被淘汰。 |
M********n
发帖数: 34 | |
j*****n
发帖数: 1545 | 5 门槛挺高，不容易进。正常码工的你都得熟，还加上 算法，数学， Hadoop, Hive 得
基本知识， |
Z**0
发帖数: 1119 | 6 agree。很多学ML的，又没有重视计算机理论这块。学习的和市场要求的相去甚远，学
ML的，找个工作也不容易。
【在 j*****n 的大作中提到】
: 门槛挺高，不容易进。正常码工的你都得熟，还加上 算法，数学， Hadoop, Hive 得
: 基本知识，
|
c****m
发帖数: 179 | 7 我觉得很多学ML的不重视的是system和coding这块，造成找个工作也不容易。
虽然ML、AI（包括诸多应用分支）不如搞theory的人对算法那么牛，但是对算法的要求
还是蛮高的，而且很多搞OI的人也选择了AI作为方向。不过搞统计学习现在还有不少理
论功底深厚的统计系的人抢饭碗。所以得加强自身码农修为才更有竞争力。
另外ML应用前景广泛（包括finance），但是搞一个真正work的solution解决实际问题
还是要花费很多人力。 还有就是ML现在热了，问题又比较有意思，很多人也琢磨着水
进，下一步怎么着还很难讲。 |
l******g
发帖数: 188 | 8 如果是Cs 感觉对大数据处理要求比较高' 所以 mapreduce这块，还有ML的理论，然后
就是算法 |
d*s
发帖数: 699 | 9 没有这么夸张的要求，会做题就行
当然建模的能力也要有一点
Python
【在 x***i 的大作中提到】
: 这个是yelp的。
: You should have...
: A passion for big data, and creative ideas for what to do with it.
: The algorithms and data structures experience to make your ideas workable.
: The coding experience to turn those ideas into reality. We use Java & Python
: . You don’t need to be an expert, but experience is a plus and we will
: expect you to learn them on the job.
: A background in Machine Learning or Information Retrieval.
: Minimum BA/BS degree in Computer Science, Math, or related degree
: A love of delighting people with local knowledge.
|
n*****3
发帖数: 1584 | 10 I think the algorithm implementation/slection needs some
solid ML knowledge, not that easy.
【在 d*s 的大作中提到】
: 没有这么夸张的要求，会做题就行
: 当然建模的能力也要有一点
:
: Python
|
|
|
g*********e
发帖数: 14401 | 11
ML有什么积累？
【在 x***i 的大作中提到】
: 大家都没兴趣哇？我感觉ML未来的机会会越来越多的。而且不像码工，有个知识积累的
: 过程，不容易被淘汰。
|
t***j
发帖数: 2620 | 12 要求不少啊
[发表自未名空间手机版 - m.mitbbs.com]
【在 l******g 的大作中提到】
: 如果是Cs 感觉对大数据处理要求比较高' 所以 mapreduce这块，还有ML的理论，然后
: 就是算法
|
h********3
发帖数: 2075 | 13 都不容易啊。
一方面搞ML的人，一般对于算法和coding以及system方面过于门外汉，导致的结果就是
除了写paper外啥也不会。唯一会一点的matlab在实际产品开放中根本用不到。另一方
面，搞system和工程出身的，很多时候都是听ML的人说什么方法好就去try什么方法，
对于ML理论一知半解，或者很不扎实，搞不出靠谱的model出来。
企业需求的其实比一般faculty还高，都想要这两方面多比较拔尖的人。但是通常这里
面任何一方面的training都是一个phd career。
【在 c****m 的大作中提到】
: 我觉得很多学ML的不重视的是system和coding这块，造成找个工作也不容易。
: 虽然ML、AI（包括诸多应用分支）不如搞theory的人对算法那么牛，但是对算法的要求
: 还是蛮高的，而且很多搞OI的人也选择了AI作为方向。不过搞统计学习现在还有不少理
: 论功底深厚的统计系的人抢饭碗。所以得加强自身码农修为才更有竞争力。
: 另外ML应用前景广泛（包括finance），但是搞一个真正work的solution解决实际问题
: 还是要花费很多人力。 还有就是ML现在热了，问题又比较有意思，很多人也琢磨着水
: 进，下一步怎么着还很难讲。
|
k****e
发帖数: 116 | 14 看来我应该从信号处理转去machine learning，估计学起来不太难
不过精力有限。。。
【在 h********3 的大作中提到】
: 都不容易啊。
: 一方面搞ML的人，一般对于算法和coding以及system方面过于门外汉，导致的结果就是
: 除了写paper外啥也不会。唯一会一点的matlab在实际产品开放中根本用不到。另一方
: 面，搞system和工程出身的，很多时候都是听ML的人说什么方法好就去try什么方法，
: 对于ML理论一知半解，或者很不扎实，搞不出靠谱的model出来。
: 企业需求的其实比一般faculty还高，都想要这两方面多比较拔尖的人。但是通常这里
: 面任何一方面的training都是一个phd career。
|
x***i
发帖数: 585 | 15 是不是应该把常用的算法都自己实现一边？ 什么NAIVE BAYES, SVM, DECISION TREE? |
r**h
发帖数: 1288 | 16 svm的核心是那个interior point method。那个可不好写
【在 x***i 的大作中提到】
: 是不是应该把常用的算法都自己实现一边？ 什么NAIVE BAYES, SVM, DECISION TREE?
|
v*****k
发帖数: 7798 | 17 svm就算了，不会有人让你写的。decision tree/boosted tree可以写一下。
【在 x***i 的大作中提到】
: 是不是应该把常用的算法都自己实现一边？ 什么NAIVE BAYES, SVM, DECISION TREE?
|
h********3
发帖数: 2075 | 18 SVM的标准算法好像用KKT情况下线性不等式组，用simplex就可以解决了，可以不用
interior point method算法。
【在 r**h 的大作中提到】
: svm的核心是那个interior point method。那个可不好写
|
h********3
发帖数: 2075 | 19 光写算法还远远不够。很多算法都很简单，连算法理论的DP都够不上，但是算法分析是
比较重要的。例如LDA里面的gibbs sampling的算法实现极为简单，但是要理解LDA和
gibbs sampling就不容易了。现实问题很复杂，不是瞎跑一把算法就可以得到你想要的
，还得多读paper。
【在 x***i 的大作中提到】
: 是不是应该把常用的算法都自己实现一边？ 什么NAIVE BAYES, SVM, DECISION TREE?
|
