搜尋結果
2019年3月5日 · 【為什麼我們要挑選這篇文章】現在是大數據時代，數據的重要性勝過以往，行銷、投資、 AI 都靠數據優化，數據科學家因此成為炙手可熱的職位，年薪至少 150 萬的誘惑下，現代人飛蛾撲火般地闖入學習數據科學的熱潮。 但反向思考，越來越多人的加入，會不會造成泡沫現象呢？媒體炒作下的 ...
2016年5月27日 · 編者按：本文作者 Steve Blank 是一位典型的連續創業者，他曾經先後 8 次創業，退休後陸續在斯坦福和伯克利教書，致力於傳播創新文化，被稱為創新大師。他提出的精益創業的理念也影響了無數創業者，被外界尊稱為精益創業教父。他的《矽谷秘史》被公認是研究矽谷歷史的最佳著作，此外，他的 ...
2016年1月14日 · 現如今工程師是越來越多了，所以優秀的工程師也是越來越多了。 但是他們中哪些才是頂尖中的頂尖呢？ 其實要明確地指出哪一個是最優秀的，這幾乎不太可能，但是業內的開發者們還是對這個話題樂此不疲。 ITworld 就通過投票，以及對其他國外社區（比如 Quora、Reddit）中的數據進行分析，來判斷排名和分析是否一致。 結果，有一些名字確實在大家的討論中反覆出現。 下面就讓我們來看看依然健在的最受大家認可的 15 位優秀工程師： （小編先補充聲明，下面排序並不是按個人成就。 如果你喜歡的排在後面了，別糾結別激動~≧ ≦~ ） 1. Margaret Hamilton. 主要成就：阿波羅計劃飛行控制軟體的幕後英雄.
- 怎麼樣避免淪為打雜人員？
- 機器學習路漫漫，要怎麼不吃虧？
- 機器學習工作變數多，心臟要很強！
- 打破機器學習界的謊言
- 除基本數學能力外，持續精進專業知識和跨領域的能力很重要
- 你可能會有興趣
Reddit 熱帖下，網友們吐槽最多的，就是學習和工作的巨大差距產生的幻滅感。學了一大堆高上大的理論知識，以為自己能上手酷炫的神經網路，調參、訓練、部署一條龍，但實際上，這些內容大概只佔全部工作的 10%-20%。 而且在一些團隊中，會有專門的崗位來負責這些工作。 其餘大部分人的職責是收集數據、給數據打標籤、處理數據質量，或者用 Python 寫基礎架構。 當年夢中的那個引領 AI 潮流的少年，就這樣成了數據標註師。 但是，網友也承認這一點確實是業內的普遍現象。而且，剛剛工作的新手，從低層技術開始做起，也是符合常理的。 大家的建議是：面對這種大量重複勞動，先別急著上手，去查一查資料，很多類似工作已經有成熟快速的方法。 當你跨過了基礎工作這一關，要面對的，是 ML 項目中可能出現的各種令人頭疼...
哪些在工作崗位上很重要的東西，是機器學習課程不會教你的？ 網友們總結了最重要的 4 條： 1. 正確認識業務 2. 處理凌亂的現實世界數據集 3. 工程導向，而不是在 Jupyter Notebooks 中編寫研究程式碼 4. 資料可視化 這些都是網友們在工作經歷中吃了很多虧後，總結出的經驗。 比如，很多 ML 工程師只有給定一個抽象化的問題才能上手，缺乏應對實際工程問題的能力，但一個合格、被業內認可的機器學習工程師，他可能並不精通演算法的數學原理，而是能夠在約束條件眾多的實際情況下應用演算法解決問題。 比如，在很多情況下，普通的舊演算法（例如 K-Means，高斯混合的 EM 等）非常有用，燒 GPU 並不是唯一辦法。 避免紙上談兵，是機器學習工程師正確認識業務的一部分，除此之外，重要的還...
規劃傳統工程項目時，設定里程碑、期望值是（相對）簡單的，但對於機器學習專案來說，在最初目標和前期階段之後，很難給出具體的計劃，因為變數實在太多了。 這就需要在專案初期階段就保持頭腦清醒，不要給自己挖坑，同時也要和 boss 以及同事說明溝通。 一位網友談到了切身體會。他放棄了機器學習演算法職位，原因是老闆根本不關心他為了完成演算法細節付出的艱苦勞動，只看最後的可視化效果。 當 boss 發現可視化效果並不高級時，認為他一直在浪費時間沒好好工作；所以，比其他軟體工程師更強的抗壓能力，也是你必備的。 如果你能抗過以上所有挫折和困難，還有艱難的一關要過。
這些，就是 Reddit 網友當年少不更事是信過「鬼話」、踩過的坑。 那麼，真下決心走機器學習這條路，應該相信什麼呢？ 首先是要對行業現狀有大致了解。對於普通開發來說，機器學習崗位數量要比其他開發崗少很多。網友反映，在北美地區，100-150 個後端開發的公司可能只有有 2-5 個搞 AI 的人。 其次，是很多有 AI 需求的公司沒有必備的 GPU 等基礎設施，你去了才發現只能使用免費的 Collab。 從個人求職角度講，ML 專案大多比較專，比較小眾。你之前的專案經驗，全國可能只有幾家公司感興趣。 明白了這些，你還要清楚怎樣正確地踏入機器學習的門。
多數有 AI 需求的公司，要求的是後端+DevOps+AI+前端這樣的一體化崗位。這就需要你的整體能力。 編寫，測試，部署，在生產中追蹤模型、構建大規模數據是一個競爭力出眾的機器學習工程師必備的。 而這些能力的基礎要求，就是數學。你當然不需要像搞科研那樣精通數學。但紮實的高數、概率論、統計學基礎必不可少。 對於有些課程打出不需要任何基礎就能上手 AI 的，Reddit 網友直接說：「沒有數學基礎和過往程式經驗的人，寫出的程式是十分可怕的。」 當然，數學基礎再好，程式寫得再漂亮，也只是一個優秀的機器學習工程師。真正的大佬，是不會止步於此的。 一位現在在搞神經科學的網友給出了獨到的建議：如果想做真正創新，有趣的工作，那麼僅憑機器學習知識是不夠的，還需要其他專業知識。 在特定環境中，清楚需要用那種...
2019年10月28日 · 不想要一輩子只寫程式？. 當了 5 年的工程師後，你可以考慮往這 5 個職位發展. 大數據文摘. 2019-10-28. 分享本文. 【為什麼我們要挑選這篇文章】寫了多年的程式，工程師有哪些職涯選擇？. 繼續寫程式是一個選項，但也可以朝向管理者、分析師的方向 ...
2019年5月2日 · 哈佛博士：機器學習重視預測結果，統計學在乎因果推理. 大數據文摘. 2019-05-02. 分享本文. 【為什麼我們要挑選這篇文章】機器學習跟統計學習有很多相似處，例如兩者都是藉由大量的數據分析，建構模型並給出預測，因此很多人無法區分兩者的差異 ...
2021年2月19日 · 南丁格爾的做法，在今天被稱為「數據視覺化」（data visualization），意指以圖形、圖像、地圖、動畫等更為生動、易為理解的方式來展現數據，並詮釋數據之間的關係和發展趨勢，以期大眾更有效地理解、使用數據分析的結果。 一張圖催生了一座醫院，改變了一個制度。 南丁格爾的貢獻充分證明了數據視覺化的價值，特別是在公共領域的價值， 官僚們麻木的神經尤其需要強烈的視覺效果來衝擊、刺激。 生理學也證明，大腦皮層中有 40％ 是視覺反應區，人類的神經系統天生就對圖像化的資訊最為敏感。 透過圖像，資訊的表達和傳遞，將更加直觀、快捷、有效。 圖不僅直觀，而且看起來更值得信賴。 這是人性！
&ck=D0A0C6954614B80F58821CCCA64DB585&idpp=rc&idpview=singleimage&form=rc2idp "steve kerr生涯數據1")
&ck=314613726B4524771BAA563BB6ECC4E9&idpp=rc&idpview=singleimage&form=rc2idp "steve kerr生涯數據2")
&ck=A72C701F7251E2CFB036961AF3940FA9&idpp=rc&idpview=singleimage&form=rc2idp "steve kerr生涯數據3")
&ck=566FAFDC9CE0DBA795F835CDF41DA3AA&idpp=rc&idpview=singleimage&form=rc2idp "steve kerr生涯數據4")
&ck=7B1CA65D6B6B3C761668E3BD873C2DDC&idpp=rc&idpview=singleimage&form=rc2idp "steve kerr生涯數據5")
