腾讯社交广告大赛回来的感悟

参赛优秀队伍合照

相当于，目标是两块：

C

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

通用机器学习机AIL

大公司的模式：

底层embedding

（连续值用树模型？）

中层UBM

输出层按照每个task的需求做输出层模块

（one-model-learn-them-all）

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

针对本公司(即本数据)的通用机器学习机Local Data MLaaS

大公司的焦虑：

最焦虑的是：

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

随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，通过无数人力和经验堆积出来的经验模型

所以有必要占领先机

tensorflow其实是高性能计算语言，只是很合适做机器学习

我的优势：

对模型的维度性思维

学习并整合一切的能力

MLaaS完善一下，提供好的性能和置信度

那个人使用了前导加快，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

上海nlp，图像北京

数据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

蔡博去实习了

其实技术栈都无所谓，其实进去了以后都是要重新学习的？

赶风口一定要快，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计数学的残留/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】

数据分析在小数据量的时候，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，应该通过计算VC维一类的衡量标准，决定两种方法的融合比例