m**********n
发帖数: 112 | 1 这个领域，特征提取，也就是怎么来描述信息，重要性大概占至少2/3以上
数学模型，什么神经网络之类的，能起到大概20%左右的作用，
剩下的大概10%左右的是对模型的评估什么之类的。
你看一哥们上来就给你侃什么数学模型的，要不然还是学生，没做过什么实际的项目
要不然就是外行，人云亦云。
真正做过的，一般会上来先问这个项目的数据有什么特点，一定会对数据
先做很仔细的分析，然后才选择或者开发合适的数学模型。 |
L****8
发帖数: 3938 | 2 图像识别 你还要手工定义特征？
【在 m**********n 的大作中提到】
: 这个领域，特征提取，也就是怎么来描述信息，重要性大概占至少2/3以上
: 数学模型，什么神经网络之类的，能起到大概20%左右的作用，
: 剩下的大概10%左右的是对模型的评估什么之类的。
: 你看一哥们上来就给你侃什么数学模型的，要不然还是学生，没做过什么实际的项目
: 要不然就是外行，人云亦云。
: 真正做过的，一般会上来先问这个项目的数据有什么特点，一定会对数据
: 先做很仔细的分析，然后才选择或者开发合适的数学模型。
|
x****6
发帖数: 4339 | 3 你特征怎么提取？
【在 m**********n 的大作中提到】
: 这个领域，特征提取，也就是怎么来描述信息，重要性大概占至少2/3以上
: 数学模型，什么神经网络之类的，能起到大概20%左右的作用，
: 剩下的大概10%左右的是对模型的评估什么之类的。
: 你看一哥们上来就给你侃什么数学模型的，要不然还是学生，没做过什么实际的项目
: 要不然就是外行，人云亦云。
: 真正做过的，一般会上来先问这个项目的数据有什么特点，一定会对数据
: 先做很仔细的分析，然后才选择或者开发合适的数学模型。
|
m**********n
发帖数: 112 | 4 没有专门说是图像识别吧？machine learning的应用不局限于图像识别吧？
【在 L****8 的大作中提到】
: 图像识别 你还要手工定义特征？
|
L****8
发帖数: 3938 | 5 deep learning 主要领域就是图像语音文字
【在 m**********n 的大作中提到】
: 没有专门说是图像识别吧？machine learning的应用不局限于图像识别吧？
|
s*****V
发帖数: 21731 | 6 没有神经网络谈个屁的人工智能
【在 m**********n 的大作中提到】
: 这个领域，特征提取，也就是怎么来描述信息，重要性大概占至少2/3以上
: 数学模型，什么神经网络之类的，能起到大概20%左右的作用，
: 剩下的大概10%左右的是对模型的评估什么之类的。
: 你看一哥们上来就给你侃什么数学模型的，要不然还是学生，没做过什么实际的项目
: 要不然就是外行，人云亦云。
: 真正做过的，一般会上来先问这个项目的数据有什么特点，一定会对数据
: 先做很仔细的分析，然后才选择或者开发合适的数学模型。
|
m**********n
发帖数: 112 | 7 不同领域面对的问题不一样。在很多工程领域，比如什么字体识别，文档识别之类的，
学术界的数据noise小，随便什么方法弄一弄，其实都差不太多。有的领域，比如金融
，情况就不太一样
【在 x****6 的大作中提到】
: 你特征怎么提取？
|
m**********n
发帖数: 112 | 8 人工智能/machine learning 不等于deep learning
【在 L****8 的大作中提到】
: deep learning 主要领域就是图像语音文字
|
m**********n
发帖数: 112 | 9 神经网络只是其中一个领域。 black box， 不是所有人都喜欢。
另外，现在学术界一般叫machine learning。
【在 s*****V 的大作中提到】
: 没有神经网络谈个屁的人工智能
|
L****8
发帖数: 3938 | 10 金融领域怎么玩？
【在 m**********n 的大作中提到】
: 不同领域面对的问题不一样。在很多工程领域，比如什么字体识别，文档识别之类的，
: 学术界的数据noise小，随便什么方法弄一弄，其实都差不太多。有的领域，比如金融
: ，情况就不太一样
|
|
|
b****u
发帖数: 1130 | 11 你一看就是没在工业界干过。工业界一堆人实际把数据一拿，下个应用包跑一下，然后
画个图挺好看的，就可以向领导邀功了，反正领导也不懂，一看图漂亮，就说 well
done 了。
【在 m**********n 的大作中提到】
: 这个领域，特征提取，也就是怎么来描述信息，重要性大概占至少2/3以上
: 数学模型，什么神经网络之类的，能起到大概20%左右的作用，
: 剩下的大概10%左右的是对模型的评估什么之类的。
: 你看一哥们上来就给你侃什么数学模型的，要不然还是学生，没做过什么实际的项目
: 要不然就是外行，人云亦云。
: 真正做过的，一般会上来先问这个项目的数据有什么特点，一定会对数据
: 先做很仔细的分析，然后才选择或者开发合适的数学模型。
|
s*****V
发帖数: 21731 | 12 谈足球不谈马拉多纳
【在 m**********n 的大作中提到】
: 神经网络只是其中一个领域。 black box， 不是所有人都喜欢。
: 另外，现在学术界一般叫machine learning。
|
m**********n
发帖数: 112 | 13 给你说了，神经网络只是一个方向，
在某些领域好用，
但是不是什么地方都好使。
【在 s*****V 的大作中提到】
: 谈足球不谈马拉多纳
|
s*****V
发帖数: 21731 | 14 神经网络是狠人类思维方式很想象的东西，最近的这一波突破都是靠深度神经网络得来
的，别的那些领域不温不火的几十年了也没有看出有什么太大的前途。唯有神经网络，
拥有几乎无限的模拟能力，非常有前途实现真正的人工智能。
【在 m**********n 的大作中提到】
: 给你说了，神经网络只是一个方向，
: 在某些领域好用，
: 但是不是什么地方都好使。
|
d********m
发帖数: 3662 | 15 分析数据再建立数学model是区分科班还是三脚猫的分水线。
做统计的习惯相对较好，看看数据比较适合用什么model fit。以前我认识一白哥们，
三脚猫非得搞什么protein network，人都是用power law fitting，丫什么都不懂出来
数据都用normal fitting，问他为什么，他说数据量大了什么都是normally
distributed。老子也是服了这种狗屁名校PHD了。 |
x****6
发帖数: 4339 | 16 任何学习方法，人脑也好，机器也好，能够学习的前提是 学习对象的复杂现象内部有
consistent的统计结构。
金融市场，股票期货价格没有这样的内部规律，什么学习方法也没有用，最终还是
garbage in, garbage out。
当让，像renaissance那样神一样存在的公司，据说是利用复杂的数学模型，找到一些
可靠的市场信号来交易，赚得盆满钵满。不过他们也不能公开那些信息，最后还是不确
定。
【在 m**********n 的大作中提到】
: 给你说了，神经网络只是一个方向，
: 在某些领域好用，
: 但是不是什么地方都好使。
|
m**********n
发帖数: 112 | 17 真是服了你，你要这么想我也没办法
【在 s*****V 的大作中提到】
: 神经网络是狠人类思维方式很想象的东西，最近的这一波突破都是靠深度神经网络得来
: 的，别的那些领域不温不火的几十年了也没有看出有什么太大的前途。唯有神经网络，
: 拥有几乎无限的模拟能力，非常有前途实现真正的人工智能。
|
l********e
发帖数: 3986 | 18 还是要先验数据，顶多算有监督学习，和吹的差得远。
【在 m**********n 的大作中提到】
: 这个领域，特征提取，也就是怎么来描述信息，重要性大概占至少2/3以上
: 数学模型，什么神经网络之类的，能起到大概20%左右的作用，
: 剩下的大概10%左右的是对模型的评估什么之类的。
: 你看一哥们上来就给你侃什么数学模型的，要不然还是学生，没做过什么实际的项目
: 要不然就是外行，人云亦云。
: 真正做过的，一般会上来先问这个项目的数据有什么特点，一定会对数据
: 先做很仔细的分析，然后才选择或者开发合适的数学模型。
|
m**********n
发帖数: 112 | 19 其他不好说，但是几乎敢肯定renaissance一定不是用什么复杂的数学模型挣钱的
而且这几年是不是挣钱都很难说
【在 x****6 的大作中提到】
: 任何学习方法，人脑也好，机器也好，能够学习的前提是 学习对象的复杂现象内部有
: consistent的统计结构。
: 金融市场，股票期货价格没有这样的内部规律，什么学习方法也没有用，最终还是
: garbage in, garbage out。
: 当让，像renaissance那样神一样存在的公司，据说是利用复杂的数学模型，找到一些
: 可靠的市场信号来交易，赚得盆满钵满。不过他们也不能公开那些信息，最后还是不确
: 定。
|
s*****V
发帖数: 21731 | 20 阿尔法0狗就是强化学习很牛逼，不需要数据
【在 l********e 的大作中提到】
: 还是要先验数据，顶多算有监督学习，和吹的差得远。
|
|
|
x****6
发帖数: 4339 | 21 但然，我就一打酱油看热闹的，不过好几个做物理和金融的朋友都是这么跟我说的。
具体怎么样，我不知道。
只是觉得AI现在有点过于神化。
【在 m**********n 的大作中提到】
: 其他不好说，但是几乎敢肯定renaissance一定不是用什么复杂的数学模型挣钱的
: 而且这几年是不是挣钱都很难说
|
x****6
发帖数: 4339 | 22 围棋这个例子比较特殊：游戏规则明确无误，不存在什么摸棱两可，隐藏信息。类似的
情况还有cellular automaton, game of life。
而人类面对的大多数实际问题，规则并不清楚，甚至是根据条件变化的，并且很多情况
并不知道，或者了解不全面。
【在 s*****V 的大作中提到】
: 阿尔法0狗就是强化学习很牛逼，不需要数据
|
b****s
发帖数: 872 | 23 围棋例子太无聊了。
工作里做四则运算比围棋技能还更有用，所以学校开数学课，不开围棋课。宣传电脑四
则运算能力强，没法骗人
不知道围棋用来解决什么问题 |
c****x
发帖数: 6601 | 24 真的不要被忽悠了。金融挣钱关键还是靠这三样：
A）影响整个工业的大新闻，B）公司自己内部的财务消息，和C）大投资人（如Mutual
Fund共同基金和Pension Fund养老基金）的大笔买卖。
http://newsblog.chinatimes.com/duduong/cn/archive/17252
------------------------------------------------------------
近年来，美国的金融交易逐步自动化，到目前已经有90%以上的交易是由电脑自动產生
。对股票有兴趣的读者或许会觉得奇怪，股票的估价是很复杂困难的，所谓的股票分析
师基本上100%都是自欺欺人的骗人把戏，电脑怎么能有那么高的智商来估出更精确的价
位来呢？其实推动股票价格涨跌的消息，可以分成三类：A）影响整个工业的大新闻，B
）公司自己内部的财务消息，和C）大投资人（如Mutual Fund共同基金和Pension Fund
养老基金）的大笔买卖。A项一般是很难操弄的，B项需要人为的非法内线交易，主要是
由康乃迪克州的几个对衝基金（Hedge Fund）来搞，电脑对这个不在行。它要赚銭，是
专注在C项：当大投资人下了一笔单子到某个交易所之后，电脑识别出来，马上到所有
其他的交易所抢先下单。所以电脑的利润靠的是三件事：1）分裂的市场，2）私有的管
道，和3）超人的速度。20年前美国股票99%的交易量集中在两个交易所，现在则有20多
个交易中心，基本上每个大银行都有它自己的交易中心。大投资人的单子油水丰厚，各
银行都有几百名业务员和亿元级的预算专职伺候这些客户，请他们对单子被刮的事睁一
只眼闭一只眼。为了怕被别人抢先下单，每个银行必须每年花费几千万美元来为电脑增
速，例如2012年有家金融公司为了让芝加哥交易所到纽约交易所之间的光纤跑得比竞争
对手快，特别自己拉了一条新的直线线路，节省了千分之四秒的讯号时间。至于开发自
己的晶片和网络交换机来节省百万分之一秒的反应时间，更是家常便饭。因此美国金融
界把电脑的自动化交易叫做High Frequency Trading（HFT，高频交易）。
我还在金融界任职时，HFT每年从大投资人的交易里挤出近100亿美元的利润，大约是内
线交易的两倍。这其实是为什么年復一年，美国的共同基金絶大多数表现劣于整体市场
（Underperform the Market）的主因（在2000年代电脑化之前，这种Front Running抢
跑战术是靠手控的），最后吃亏的当然是小投资人。不过这并不是Stiglitz批评HFT的
原因。我在前文《美元的金融霸权》已经解释过，西方经济学认为拦路打劫只是财富转
移，对国家的财富总量没有直接的影响；只有对整体财富有负面影响的，例如打劫之后
还杀人放火，才是不好的事。所以Stiglitz关心的，是HFT里大家一窝蜂抢先下单所带
来的市场风険。2010年五月6日，一家金融公司送出错误的卖单，所有的银行都在千分
之一秒内抽回所有的买单，大家抢着卖，五分锺内道琼指数就跌了1000点，至今仍是歷
史上单日跌幅最高的纪录。这个事件叫做“Flash Crash”（“闪崩”）。其后，类似
的事件又发生了好几次，只不过没有像2010年那様横跨市场，而是专注在一两支股票上。
【在 x****6 的大作中提到】
: 任何学习方法，人脑也好，机器也好，能够学习的前提是 学习对象的复杂现象内部有
: consistent的统计结构。
: 金融市场，股票期货价格没有这样的内部规律，什么学习方法也没有用，最终还是
: garbage in, garbage out。
: 当让，像renaissance那样神一样存在的公司，据说是利用复杂的数学模型，找到一些
: 可靠的市场信号来交易，赚得盆满钵满。不过他们也不能公开那些信息，最后还是不确
: 定。
|
