1樓：賣糰子的小喵吉
不知道什麼才算是演算法的突破。新的核函式？還是奧創？
說深度學習沒技術含量沒進步的，要麼就是不懂深度學習，就只是知道是疊加了神經網路，要麼就是真大牛，看透了世間萬物。
不說別的，從玻爾茲曼機到rbm到dbn到dbm，到各種rbm的拓展，你告訴我這都是沒進步的？還是覺得too easy to learn？
2樓：
純屬外行臆測, 例如dropout等regularization演算法解決的問題, 即是在樣本量很小的狀況下減少過擬合的機會, 同時也大規模減少參數量, 使得一次迭代所需的計算量急遽減少
convolution也使得參數量非常大程度地減少
這些進步何以見得依賴大資料或大計算? 分明是小資料加小計算, 若是沒這些演算法上的進步, 怕是超級計算機也擺不平
3樓：yuzz
不是。以深度學習為例，現在的方法和幾十年前的相比，除了網路的規模變大之外，還引入了很多的演算法，比如dropout，lrn，relu，batch norm等。而這些新的演算法才是dl成功的關鍵
4樓：
個人認為：單單「大資料」和「高計算」，也是很了不起的。
很多我們熟知的演算法，在資料規模每天劇增的今天，面臨一些瓶頸，主要體現在對於處理海量資料的速度和可行性。 而使得一些經典的演算法能夠高速有效的處理當今的大規模資料，本身就是很有意義的工作。
5樓：鄒大爺
大學在實驗室打醬油，對機器學習的理解上，就是套模型，上資料，剩下的就是跑吧！其實不是，實際問題中，模型並不是簡單的套用，需要深入理解，根據問題去優化，去改，目前正在學習，還停留在外行看熱鬧的層次
6樓：
搞機器學習的很少張口閉口提「大資料」這種詞。
深度學習比原來那些方法更有效地壓縮了大樣本的資訊，這就解決了很多問題。
外行人總是要麼迷信要麼懷疑。
倡導：合理地理解和使用科學技術，腳踏實地發展科學技術
7樓：
恰恰相反，深度學習在演算法上還是有突破的，其他真沒有。搞來搞去模型不外乎LR，SVM以及各類決策樹，大部分真正有效的改進都是在優化策略上，比如如何在資料規模很大的情況下進行多機最優化計算。
張口閉口大資料的都是在吹牛，他們理解的大資料估計還停留在計算均值和excel畫圖上
近些年，日本桌球水平是如何發展起來的？
好好 還真沒注意過。看了這麼多年，也是發現突然把日本桌球當回事了。一開始只是福原愛，但實力確實不能跟中國隊抗衡。後來出現了石川佳純，剛開始還是有些競爭力的，原以為會製造些麻煩，但後來也是不夠格。再就是出現了這次亞錦賽的黑馬平野美宇，先逆轉了丁寧又連挑了朱雨玲跟陳夢。一方面是中國隊確實對她沒研究輕敵了...
近些年就業前景好的專業？
北大青鳥大連崇德校區 電腦行業需求量大，工作很好找，而且工作環境也不錯。電腦行業的工作與社會接觸都比較緊密，緊跟潮流，所以見識和思想都會比較開放，也有利於以後自己發展。學習電腦入手比較快，學習難度不是很大。現在有些學校有一些技能加學歷的政策 不過主要看你自己的選擇，上大學雖說聽起來好，但是很多大學生...
為什麼看起來近些年社會科學的發展和得到的支援沒有自然科學大？
其實說實話，我不太明白社會科學能給我們帶來什麼，也許對大部分人來說都是這樣，自然科學帶來的好處是顯而易見的，而社會科學帶來的好處卻虛無縹緲，因此，從國家各項布局上來看，給社科的投入就沒那麼大了 前天，有乙個人向乙個國際大牛提了乙個問題。大牛給出的回答第一句翻譯過來大概是 這個問題很難回答，我不知道你...