本鲁硕博主要做人工智慧/机器学习, 一点浅见 机器学习 主体是机器, 主要方向是 机器如何可以学习 有哪些方法 类神经 模糊理论 灰色系统 基因演算法 蚁群 贝氏网路 十年前的啦, 现在不知道, 脱节很久惹... 这个方法用在那个资料效果好不好, 如何让它变好 同一笔资料 换另一个方法呢? 或者数个方法串起来用? 同一个方法, 用在别种资料呢? 总之目标是在增进机器的学习能力, 速度更快、效果更好、对不同资料更泛用等 资料科学, 主体是资料, 主要方向是 资料如何分析? 统计? 资料探勘? 机器学习? 丢入某很夯很威的工具 (MATLAB 等) 用现成工具跑看看结果 调调看参数权重 根据已知 (或想像中) 的逻辑 调整参数 建模 由分析结果反推原因、建模 总之目标是放在对资料本身的理解 找到更多规则、挖出未知的关系、发展理论 ex 有某某情形的股票未来 6~12 个月表现会明显优於其它股票等 可以使用任何方法, 包含机器学习 资料量不大的话要用 excel 枢钮分析都可以... 大致来说就是, 机器学习偏重在工具的开发与改进, 资料科学则是着重在应用工具从资料中找出理论或应用价值 以台湾来说, 机器学习的职缺可能会比较少, 主要会是资料科学吧? (指工作内容, 职缺名称就不知道了) ※ 引述《smallv (小小胜利者)》之铭言： : 想请教版上大大 : 假设有了机器学习或者资料科学家工作经验一段时间 : 未来想跳槽的话 领域不同会差很多吗 : 像是...影像方面 语言方面 预测股票期货方面 球赛胜率 机器人辩论方面 等等 : 各自的差异就蛮大的 : 那这样跳槽会不会比较难 因为使用的演算法可能会有小差异? : 还是其实还好? 尤其短时间内台湾这类人才还是短缺 不太需要担心? : 第二个问题 在台湾通常软体公司的机器学习或资料科学家 : 待遇大概是哪个范围 能有6万到12万吗? --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 36.226.166.63 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Soft_Job/M.1529835645.A.BD3.html 这图我是觉得有点夸张 比方说, 假如要解的是 TSP 这种条件单纯明快的问题, 那基本上用不太到什麽数学, 大概就加减法, 在 CS/IT 会吃比较多 而如果是货架规划之类, 我想主要就是 Domain 多一点, 然後拿现成软体跑跑关联法则/分类分群就很多了, 对 CS/IT 跟数学统计没什麽概念也行, 主要只是要结果 当然会的越多越全面是能对应到越多状况或做得越好, 但如果只是针对某类特定资料/目标的资料科学, 也没有那麽夸张, 画三个大圈圈在那恐有引人误解之虞 "用" ML, 这里的 ML 应该是工具没错 @@ 像用 NN 做地形判断 (一张图, 判断哪里是湖哪里是陆等) 有个正确答案针对方法去 tune 的这种, 我觉得主要是在做工具 工具做好後, 就可以被拿来实际应用, 应用的那部份就是你说的了 这张 Data Science 跟更多东西包在一起了 XDD 实际上很可能不需要就是 依需求可能其中一两样就够用了 (想成圈在一起是表示 "可能相关" 就还算可以理解) 纯软QQ 这张完全是鬼扯 灰色系统、类神经、GA、模糊理论 都没怎麽用到统计, 可以跟统计一起用, 但它们本身是独立的方法论 把 Machine Learning 改成 Data Mining 的话还有一点道理 ML 跟 DM? 这篇说的是 ML 跟 DS @@ ML 跟 DM 的话, DM 是 分析资料的 "方法", ML 可以使用 DM 的方法来实现, 也可以完全不用 DM 的方法 举个例, DM 可以说, apriori 是为了找关联法则, k means 做分群, C4.5 做分类 它的方法本身, 就有一个特定的目的在 但是 ML 类神经就是类神经, 没有一定要干麻, 反正它就是一个方法, 你可以用类神经去试着做任何你想做的应用 你也可以类神经搭配 k means, 也可以类神经搭模糊理论再加个基因演算法 等等 而 DS 则是使用任何方法 (包含 ML DM) 达到 利用数据学习知识 这个目的 大概是这样 哈 我这两天也在想这种情形, 现在基础薄弱一知半解就上工然後到了资深还是一片混乱好像是常态, 蛮囧der... ※ 编辑: lovdkkkk (36.226.166.63), 06/26/2018 14:47:10