「榜單」10位值得關注的機器學習Quora大咖問答錄

新智元編譯

H?konHapnes Strand，數據科學家 - 264,665閱讀，206回答

回答摘選：H?konHapnes Strand在多大程度上認為在機器學習演算法中記住高級公式很重要？

我不認為記住公式很重要。我甚至覺得可能產生相反效果。

如果你了解機器學習演算法的工作原理，並且是在低級別上真正理解它，而不僅僅是高級直覺，那麼你應該可以自己導出公式。在實踐中，記公式是基本不需要做的事情，因為你可以查到它。

記住一個公式可能給你一個錯覺，讓你以為明白了公式背後的原理。

Roman Trusov，FAIR 2016 實習生 - 254,241閱讀，404回答

回答摘選：應該花錢買一個好的GPU學習深入學習嗎？（我不是指生產層面的運行。）

如果你是認真想學習DL，那麼是的。了解架構或演算法與使這些架構或演算法正常工作是兩個截然不同的事情，獲取知識的唯一途徑就是自己去實踐並分析結果。

如果你考慮購買多個便宜的GPU來學習如何使用它們，最好不要。如果你的框架支持分布式計算，那還好。如果不是，那麼到後面會很痛苦。

對於現代架構的訓練，CPU無法以任何方式代替GPU。我有一個非常好的CPU，需要幾個星期的時間來訓練用GPU的話一個晚上就訓練完網路。消費級的i5（我也不認為多付點錢買i7是個好主意）甚至更慢。

Zeeshan Zia，計算機視覺與機器學習博士 - 142,140閱讀，377回答

回答摘選：怎樣為計算機視覺研究科學家的面試做準備？

會有一些編程問題，以及有關計算機視覺和機器學習的基本問題，這部分大約佔50%。另外50%就根本沒有技術問題。通常情況下，如果你自己編程並定期參加會議，那麼不需要為這部分做準備。如果真的需要，可以刷幾天C ++。

面試官想知道的兩件事情是：（1）你可以作為獨立研究員工作，（2）你對軟體開發工作的預期是否與職位本身相符。

Ian Goodfellow，AI研究科學家- 115,921閱讀，143回答

回答摘選：使用GAN生成圖像有什麼問題或動機？

你可以使用GAN來：

• 生成模擬訓練數據和模擬訓練環境

• 填補缺少的數據

• 用半監督學習訓練分類器（分類器同時從已標記和未標記的數據中學習...，並且使用GAN的話，還同時從完全虛構的數據中學習）

• 做監督學習，其中監督信號表示多個正確答案中的任何一個都可以接受，而不僅為每個訓練示例提供一個具體的回答

• 用統計生成代替成本高的模擬

• 從來自生成模型的後驗分布取樣

• 學習對其他任務有用的嵌入

Clayton Bingham，Informatics公司數據分析師，神經工程研究員 - 105,861閱讀，12回答

回答摘選：機器學習（除了深入學習）有什麼趨勢？

我不知道有什麼趨勢，但我知道在主流ML之外一個強大的方法，被證明具有很強的靈活性、可解釋性和在VLSI / FPGA硬體中相對容易實現的優勢。

Volterra核

理解Volterra序列如何工作的最簡單的方法是，它是一系列數字濾波器，用於預估從輸入信號到適當的輸出的轉換。卷積核（濾波器）的形狀，時間延遲和數量組成了必須估計的模型的特徵，以便對複雜系統的行為進行準確的預測。

Xavier Amatriain，曾經是ML研究員，現在在Quora主管Engineering- 97,947閱讀，85回答

回答摘選：什麼是訓練機器學習模型的最佳實踐？

好的指標：

• 應該容易比較不同的模型

• 應該儘可能容易理解和解釋

最好是跟蹤你關心的每個用戶細分的指標（例如新用戶，舊用戶，非常活躍的用戶，區域設置....）

在測試集上測量你的指標（不是訓練，也不是驗證）

Chomba Bupe，開發機器學習演算法 - 96,608閱讀，460回答

回答摘選：在分類方法中，可以添加類和訓練樣本而無需重新訓練所有數據的方法，除了K最近鄰法還有哪些？

有一種叫做遷移學習（transfer learning）的方法，幾乎可以用任何機器學習演算法都不需要重新訓練整個系統。例如，可以用一個預訓練的網路，在頂部額外添加一個簡單分類器，並且只對新的訓練樣本訓練這個分類器，同時保留預訓練的權重。這在相關任務的實踐中表現良好。

不過，遷移學習存在局限性，要想讓它工作得好，需要確保新的樣本具有與原始樣本相似的分布。

Liang Huang，賓夕法尼亞大學計算機科學系PhD（2008）- 92,987閱讀，3回答

回答摘選：在AI深度學習中，你認為誰是Hinton，Lecun和Bengio之後的頂尖研究人員？

這個問題本身就是錯誤的。我們都知道，Schmidhuber的貢獻與Hinton，Lecun和Bengio的貢獻相比，如果不是更重要，起碼是同等重要的。

DL中只有兩個關鍵的idea：

• CNN（Fukushima-LeCun）

• LSTM（Schmidhuber）

其他一切，包括Hinton和Bengio的工作，相比他們都是次要的。這並不是說他們的工作不重要，他們在推廣NN方面是非常重要的，但如果是說諾貝爾獎經常強調的「原創想法」，那麼就是LeCun，更早的Fukushima和Schmidhuber。如果有DL的諾貝爾獎，那麼應該選這些人。

Yoshua Bengio，蒙特利爾演算法研究實驗所負責人，蒙特利爾大學教授- 90,211閱讀，112回答

回答摘選：如何進行機器學習的研究，只從Coursera或edX的MOOC獲得知識夠嗎？

我不認為MOOC就足夠了。你需要認真實踐。例如，嘗試重現在你感興趣的一些論文的結果，參加Kaggle競賽等。然後嘗試作為訪問學者、實習生或研究生加入學術實驗室，與其他學生和研究人員合作進行深度學習的研究。

Shehroz Khan，ML研究員，多倫多大學Postdoc - 87,791閱讀，715回答

回答摘選：機器學習是難度最大的嗎？

在我念博士期間，有以為中國來的本科生（後來成為了碩士生，現在是博士生），他很輕鬆就能解決任何一個機器學習問題。他是個天才，我覺得對他來說任何事情都是可能的。我很震驚。

當你開始（或即將開始）做某件事情時，似乎總是很難。但當你完成了這件事，難度就變得微不足道了。對於數學家來說，ML的博士可能很簡單。對於生物學家來說，ML學位可能十分難！ 如果你沒有足夠的技能，背景知識，興趣，激情以及毅力...任何學科的博士不僅艱難而且不可能實現。對我來說，超出我所在領域的任何程度的知識都是艱難的。特别致敬研究基礎科學人——數學，物理，化學，生物學，藝術，人文，心理學，社會學……

原文：http://www.kdnuggets.com/2017/06/top-quora-machine-learning-writers.html

點擊閱讀原文查看新智元招聘信息

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！