2022年的机器学习长什么样子？- 花花酱 机器学习 EP1

Shopping on Amazon to support us: www.amazon.com...
支持我的频道：zxi.mytechroad...
图书推荐：zxi.mytechroad...
代码/讲义 (Solution/Slides) ：
题目分类：
-----------------
博客：zxi.mytechroad...
微信公众号：huahualeetcode
B站：space.bilibili...
-----------------
播放列表：
动态规划 (Dynamic programming) • 花花酱 LeetCode 304. Rang...
递归 (Recursion) • 花花酱 LeetCode 736. Pars...
设计/数据结构 (Design/Data Structure) • 花花酱 LeetCode 297. Seri...
树 (Binary Tree) • LeetCode 669. Trim a B...
搜索 (Search) • LeetCode 79. Word Sear...
图 (graph) • 花花酱 LeetCode 210. Cour...
哈希表 (HashTable) • 花花酱 LeetCode 1. Two Su...
贪心 (Greedy) • LeetCode 455. Assign C...
链表 (Linked List) • LeetCode 141. Linked L...
数学题 (Math) • 花花酱 LeetCode 463. Isla...
几何 (Geometry) • 花花酱 LeetCode 218. The ...
字符串 (String) • 花花酱 LeetCode 551. Stud...
模拟 (Simulation) • LeetCode 657. Judge Ro...
分治 (Divide and Conquer) • 花花酱 LeetCode 169. Majo...
二分搜索(Binary Search) • 花花酱 LeetCode 744. Find...
Bit (位运算) • 花花酱 LeetCode 477. Tota...
所有题目 (All) • LeetCode 145. Binary T...
By Difficulty：
Easy: • 花花酱 LeetCode 731. My C...
Medium: • 花花酱 LeetCode 729. My C...
Hard: • 花花酱 LeetCode 730. Coun...
题目列表 (All)：t.cn/RTcVHnY

[@maxentropy6368]

感谢推出此系列视频，希望也能讲一讲ML deployment for production。感觉这部分对程序员更相关一些？谢谢

[@schiang]

很多評論提到學機器學習要學基本理論或是手刻框架等等，但學習有很多面向，也有很多非軟體產業的人為了提升產業價值而接觸機器學習。對於這樣的人，熟悉業界常用工具與流程是很有幫助的，因為能盡快建構 minimum viable product，進而向組織爭取更多資源。日後產品上線招募資料工程師也比較好接手維護，而不是自己土炮建一套搖搖欲墜的系統，最後不了了之。感謝花花分享。

[@HuaHuaLeetCode]

现在网上学习的资料很多，每个人的背景和需求不同，各取所需即可。

[@HuaHuaLeetCode]

大家觉得这个主题怎么样？新手小白能看懂多少？（还是说我是新手小白） 有什么建议或想法欢迎留言～ P.S. 睡前录的视频，都有些迷糊了，也没写稿子，一刀不剪，想到哪说到哪...

[@yesheng607]

感谢感谢，这个频道是我唯一上线提醒的。

[@kun1168]

每一个都做的很好，讲的到位清晰全面，加油！

[@jasonswift7468]

花花，有空讲讲machine learning面试的题目。

[@deardeer_czl]

最近正好在学深度学习，花花就更了机器学习，感觉真好

[@hellochii1675]

这是我必须要点赞的视频👍

[@hanksz9198]

感谢花花的视频，但是我认为，ML 最好还是系统性从基础概念学起(或者是numpy 手撕 LR -> 手撕 MLP 这类的)，比直接去上手TF/Pytorch可能效率更高。

[@HuaHuaLeetCode]

谢谢你的建议。之后会考虑推出相关的视频。

[@jiezou8697]

Second dense layer, why do you choose 32 neural? Is there any reason for it or it is just empirical intuition?

[@HuaHuaLeetCode]

It's just one of the many hyper parameters you can tune. Empirical intuition will give you tighter ranges (not always), so you don't waste time on non-sense values.

[@andrewchen2349]

感谢花花～视频很有帮助！不过2022年用PyTorch的人好像更多呢

[@HuaHuaLeetCode]

哈哈。PyTorch是不可能用的。tf2+keras已经比tf1时代不知道好到哪里去了。tensorflow设计之初就是为企业级服务的，云端+多路TPU，个人用户嘛，现在勉强可用。🐶

[@andrewchen2349]

@@HuaHuaLeetCode 原来是这样啊。那正好可以再复习一下TF。谢谢花花！

[@Gzzzzzz111]

你好， 想问问为什么你用Binary Search的时候是 l = 0 , r = len(nums) 而不是 l = 0, r = len(nums) - 1呢？ 我看过你二分搜索的那期视频了，你没有提到为什么所以我想问问。 谢谢

[@ecopro6031]

希望能再讲细一点,也希望继续讲深度学习,神经网络专题,类似之前数据结构和算法那样,多谢!辛苦了!

[@liang3163]

1. 花花你所说的是 深度学习，是机器学习中的一类 2. 机器学习的另一大类是 传统的基于概率统计的机器学习（例如 线性回归，决策树，随机森林等等），这些老方法最大的优点就是“可解释性”，这也是目前深度学习最缺乏的。 3. 在入门深度学习以前，至少读通《The Elements of Statistical Learning》或《统计学习方法》中的一本，对解决现实商业问题会有很大的帮助。当然，如果只是玩一下，或者在nlp，cv领域调调包，那就直接从deep learning开始吧 4. 推荐有兴趣的小伙伴关注"Mu Li"大佬的yt频道

[@HuaHuaLeetCode]

深度学习也是机器学习吧，至少没有说错。学习传统方法对于概念和理论的掌握还是很有帮助的，但实际生产中已经很少使用了。大部分人（包括我在内）都是调包侠，能快速上手也是挺重要的，因为大部分情况下框架已经搭好了，改改参数能跑就行，然后再回头补理论也不迟。我奉行的方法是：实践->理论->实践。

[@spiceEx]

0经验表示，看这些就像看题解的代码解释部分一样，对原理和基本知识部分不懂的话还是看不懂 =_= 以前看过三蓝一棕的概念介绍视频 kzbin.info/aero/PLZHQObOWTQDNU6R1_67000Dx_ZCJB-3pi ，现在已经忘光了🥲

[@HuaHuaLeetCode]

我觉得也是… 先看个大概，知道一些名词的存在即可。

[@shawn7006]

用colab做ML的project的人多吗？

[@HuaHuaLeetCode]

训练的话还是要上云，colab可以做一些lightweight的分析

[@felixliyuan]

@@HuaHuaLeetCode 请教，什么算是上云？colab 不算嘛？

[@HuaHuaLeetCode]

​@@felixliyuan严格意义上来说colab也在云上，有人用，但总感觉是小打小闹的。正经的项目都是build from source的，然后在云上起很多分布式的jobs, train/eval/tensorboard etc，可能需要跑很多天。我记得公司内部的colab的一个限制好像是身份验证，19个小时就失效了，所以不能跑很长时间的job。另外一个限制应该是资源的分配，比如CPU/memory/GPU/TPU等。

[@felixliyuan]

@@HuaHuaLeetCode 了解。谢谢解答。