1樓：
容易就業與否是看你過往的背景來決定的，這個問題不適合已經要找工作的同學，假如你的簡歷上的專案基本就是CV/NLP，找這方面的工作肯定比Data Mining的更容易，假如你已經有很多推薦相關專案背景，那肯定找Data Mining的工作比CV/NLP容易得多，所以提早準備，找到合適的工作都不難，最容易就業的還是傳統的前後端工程師，不要因為找工作容易就選方向，提前多和前輩了解相關工作的內容，選乙個自己最感興趣的方向再開始積累經驗，可能更適合你，建議眼光放長遠一點。
2樓：人工智慧-AI黃
如果說就業的容易程度，肯定是後兩者，因為從難度上來說就低些，當然相對來說薪資也要低點。深度學習，目前最火的兩個應用大方向： CV和NLP，CV相對成熟，不管是從商業性落地來說，還是從框架模型的精準度來說，但是這樣就造成了市場競爭激烈，國內AI四小龍基本都是做的CV影象。
NLP相對就要落後，不過前景更大，整個NLP領域可能就乙個語音喚醒做的成熟點，好點，但是你知道，語音喚醒基本是最簡單的了。不過這塊從去年開始資本也開始大舉進入了，競爭也日益激烈。
3樓：資深AI民工老苗
感覺是這樣的。
CV 落地情況最好，但是相對來說突破最小，但由於落地廣很多企業願意嘗試，但競爭也是最激烈。
NLP相對來說還有很多東西可以挖掘，落地場景逐漸增多，市場需求也不少，但跟CV同樣的問題，科班畢業生大量湧入，競爭也很激烈。
ML相對來講平靜很多，但落地場景錯綜複雜很多和業務相關，除了會演算法還需要其他能力，比如資料分析，開發，後端，等等。
是不是好就業，這個問題，我覺得可能一年乙個變化，總體CV競爭最激烈，其餘兩個也很激烈不過相對好一些。總體激烈成都排序，CV，NLP，ML。
深度強化學習與深度學習的的區別是啥？
Warren 深度學習做的是智慧型感知 通俗來講就是條件反射 屬於連線主義學派，優化目標大多連續函式 對應連續優化和隨機優化 強化學習做的智慧型決策，屬於行為主義學派，優化目標是離散函式 對應組合優化 深度強化學習就是做組合優化太讓人頭禿了，乾脆直接假設個模型去擬合，能有個近似最優也不錯，於是又回歸...
深度學習與機器學習的關係是什麼？
瘋貓子 沒有一種技術的發展是孤立的。開局一張圖 深度學習是機器學習的乙個重要分支，深度學習和機器學習的關係屬於繼承和發展的關係，其實不單單是這一分支如此，幾乎所有的演算法分支都是早期技術的重組 繼承 發展而來。如上圖所示，我大致把這些技術的繼承發展關係用導圖的方式進行展示，圖中沒有標註顏色的都是發展...
概率圖模型與深度學習能夠如何結合？
David 9 這篇文章我想能幫到你 Stanford教授Daphne Koller 概率圖模型 終極入門第三講馬爾可夫網路 Markov Networks PGM不新，Judea Pearl 八幾年就開始了 深度學習也不新，就是神經網路換了個名字，CNN是Fukushima的Neocognitio...