※ 文章網址: https://www.ptt.cc/bbs/Tech_Job/M.1464489729.A.86D.html
推 wyvernlee: 你人工智慧系? 05/29 10:46
推 hardCode: 樓上 現在資料分析很夯吧 人工智慧lab多啊 05/29 10:51
推 futureBF: 我相信你 05/29 10:54
推 yibaby77: 推這篇 05/29 10:57
推 iseeyou080: 非常感謝您的回答 原來有工作這麼多元 嚮往您的工作 05/29 11:00
推 iamala: 目前的企業的商業獲利模式尚不明朗,但是受僱者的獲利倒是 05/29 11:13
→ iamala: 很火紅,當下作這個可說是顯學且薪水可觀。 05/29 11:13
推 bowin: 推 05/29 11:16
推 heuristics: 標注是一次性的工作,談不上是問題,請不到人也可以 05/29 11:23
→ heuristics: 丟 Amazon Mechanical Turk 解決,怕被取代,主要還是 05/29 11:23
→ heuristics: 看手邊的工作是不是可以用 NN 解決,您問我我是演算法 05/29 11:23
→ heuristics: 工程師會不會被 NN 取代,我會回還早,現在 NN 離創造 05/29 11:23
→ heuristics: 力還很遠,您問我我是公司的電話客服會不會被 NN 取代 05/29 11:23
→ heuristics: ,我會回您要小心了 05/29 11:23
→ king19880326: DrTech大大怎麼不去矽谷撈一票 05/29 11:32
推 zxc2694: 正解 05/29 12:00
推 powergreen: 推目前技術做不到 05/29 12:02
推 hungys: 推 05/29 12:23
推 ian90911: 推 05/29 12:28
推 Narcissuss: 整理到一個階段 叫人類判斷就好了 05/29 12:29
推 jeromeshih: 覺得沒法完全取代,但可能降低人力需求 05/29 12:40
推 andywalk1989: 好文 期望大大未來多多分享 05/29 12:45
推 iviva1988: 推 05/29 12:47
推 iseeyou080: 推 05/29 12:49
推 WenliYang: 推啦~ 05/29 12:51
推 rainthechih: 推 05/29 13:04
→ BakerSt221B: 2F哈哈哈哈哈哈哈 05/29 13:26
推 mmmbop: 糧草徵收人、礦工、伐木工應該就不會被取代吧 05/29 15:59
→ yolasiku: 拎杯6年前論文就是用NN+big data 數據還比nasa還猛 05/29 16:06
推 tomdavis: 推推 拿來demo可以 很潮 長官愛 但是真的沒辦法實用 05/29 16:22
推 XJY13: 先前的資料處理也很重要,一堆極端值也會影響機器學習分析 05/29 16:24
→ XJY13: 出的y值,還有bias lambda的參數調整,避免overfitting 05/29 16:24
推 tomdavis: 需要大量工人智慧這點我有些疑問 05/29 16:26
→ tomdavis: deep learning的好處之一包含不用特別做feature 05/29 16:27
→ tomdavis: 只要給的原始資料中或多或少包含關鍵資訊就可以 05/29 16:28
→ tomdavis: 影像處理的部分已經是拿一個一個pixel當input 05/29 16:29
→ tomdavis: 讓模型自己學出 需要從點中得到怎樣的資訊 05/29 16:29
→ tomdavis: 像是先前google 從影片中學出來的 人臉 以及 貓臉 05/29 16:30
推 tomdavis: 阿有些偏了 imgnet那邊的標註答案的確需要人的幫助 05/29 16:34
→ tomdavis: 但那是標註答案的部分 我前面講的是input的預處理 05/29 16:35
→ childlike12: 這篇講的是可監督式的學習,不是深度學習。 05/29 16:58
→ tomdavis: 回文講AI提到的模型 不是都算是deep learning的模型嗎?? 05/29 17:04
推 ljsnonocat2: 以前的人也認為電腦圍棋下不贏人類職業高手啊 05/29 18:29
→ ljsnonocat2: 就算原po在這行 寫的出阿法go嗎? 05/29 18:30
推 heuristics: 需要大量工人智慧是對的,fine-tuning 階段還是需要大 05/29 19:26
→ heuristics: 量的標注資料才會學得好,監督或非監督不是判斷是不是 05/29 19:26
→ heuristics: 深度學習的依據,DNN 也沒什麼特別,但 Deep 之後的確 05/29 19:26
→ heuristics: 效果驚人,在一些領域把既有的方法直接拋在背後追都追 05/29 19:26
→ heuristics: 不到 05/29 19:26
推 kevin190: 抽取資料的feature還是要設計過,不然效 05/29 20:48
→ kevin190: 果不好 05/29 20:48
推 maplefog: 我預測會先用在翻譯系統 deep learning可以解決翻譯問題 05/30 00:46
→ ql4au04: Language model 加上dnn的成果也越來越扯 05/30 05:48
推 st900278: crowdsourcing 大好~ 05/30 11:14
推 B9830226: 勿忘unsupervised learning,是可以幫助labeling的 05/31 07:50
推 gogogogo3333: 覺得比起CNN,小弟更看好LSTM-RNN的潛力 05/31 22:08