c*******g
发帖数: 332 | 1 未来几年 需求量会有多大 能力要求方面 会有多高呢？ |
f*****e
发帖数: 2992 | 2 还真是，水木有AI版，为什么mitbbs没有？
【在 c*******g 的大作中提到】
: 未来几年 需求量会有多大 能力要求方面 会有多高呢？
|
d***l
发帖数: 194 | 3 只要你有才，肯定需要。
你没什么真才，凑合发了几篇能忽悠的文，能忽悠住，混进去当个甘草也行。
你现在没什么深读学习，只要有志于此，找准努力的方向，几年如一日的下功夫，必然
有人需要你，甚至来找你。
需求量由市场决定，能力由你在全体码工里所在的高度决定，有多高，高山仰止，再怎
么高都不为过。关键你自己能达到什么位置。
【在 c*******g 的大作中提到】
: 未来几年 需求量会有多大 能力要求方面 会有多高呢？
|
C*********e
发帖数: 587 | 4 现在的问题是，会深度学习的人很少，如果不是那几个组出来的人，最多只是叫做了解
一些，很难把握这个领域
【在 c*******g 的大作中提到】
: 未来几年 需求量会有多大 能力要求方面 会有多高呢？
|
d***l
发帖数: 194 | 5 你说的是newsmth的水木吗？
mitbbs的ai版问题，都在cs里，分的没那么细致。
【在 f*****e 的大作中提到】
: 还真是，水木有AI版，为什么mitbbs没有？
|
c*******g
发帖数: 332 | 6 在板上总看到大家说什么cloud，infrastructure，system啥的
所以好奇未来到底是会ai的尤其是深度学习的人抢手 还是 会infrastructure的更抢手
【在 d***l 的大作中提到】
: 只要你有才，肯定需要。
: 你没什么真才，凑合发了几篇能忽悠的文，能忽悠住，混进去当个甘草也行。
: 你现在没什么深读学习，只要有志于此，找准努力的方向，几年如一日的下功夫，必然
: 有人需要你，甚至来找你。
: 需求量由市场决定，能力由你在全体码工里所在的高度决定，有多高，高山仰止，再怎
: 么高都不为过。关键你自己能达到什么位置。
|
d***l
发帖数: 194 | 7 天知道。抢不抢手，得看市场。深度学习，是比较复杂的。复杂的市场需求量未必大。
【在 c*******g 的大作中提到】
: 在板上总看到大家说什么cloud，infrastructure，system啥的
: 所以好奇未来到底是会ai的尤其是深度学习的人抢手 还是 会infrastructure的更抢手
|
m*********u
发帖数: 1491 | 8 "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. |
h********3
发帖数: 2075 | 9 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。 |
e******r
发帖数: 52 | 10 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】
: 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。
|
