点击联系发帖人版权声明：本文为博主原创文章未经博主允许不得转载。 /a/article/details/
根据这段时间的学习学会的应对于数据公式的模式去做match他们的需求的东西
输出层按照每个task的需求做输出层模塊
计算方法上用参数服务器方法
具体的场景上，根据“节省人力”为第一目标做优化
faceu 和快手这种细分市场爆红app
ATJ这种具有数据和实力的公司
隨着数据越来越大维数越来越多数据模型需要的VC维下降
有可能某一个产品一推出就占领各种市场，打败了多年以来建立起来的通过无數人力和经验堆积出来的经验模型
tensorflow其实是高性能计算语言，只是很合适做机器学习
MLaaS完善一下提供好的性能和置信度
那个人使用了前导加赽，用矩阵×优化和tensorflow快速lookup
他以为没什么应用大概是腾讯内部也没有太广泛地推开吧（不像百度？）
他也想留在广州因为学校在广州
数據退潮的时候应该怎样
搜一搜看一看那边是ai lab，游戏那边也有在做
其实技术栈都无所谓其实进去了以后都是要重新学习的？
赶风口一定要赽趁热度还没有褪去马上就职或者马上创业
深度是一定的趋势，脑科学、量子计算极大数据，几大维度的触角
数据分析是大数据和统計数学的残留/极限【尽快体系化尽快固定化，尽快close the issue】
尽快转深度尽量寻求深度的实现和数据【跟随谷歌大佬的步伐】
数据分析在小数據量的时候，可以作为输入数据的前体通过提供已有知识减小所需vc维，辅助深度学习数据量更小的时候甚至可以直接输出结果
数据量增长的时候，可接受的vc维变大深度越来愈多，作为前体的数据分析输出的维度越来越大，对应着低维抽象层次越来越少（比如简单交叉特征）
慢慢地，连高级特征（如SIFT）都可以不用输入了最后消失了
数据分析要怎样用，用到什么程度取决于数据量。要计算时应該通过计算VC维一类的衡量标准，决定两种方法的融合比例
