Machine Learning

 

一、机器学习相关的公司分析
1、BATJ
这类公司主要是百度，阿里和腾讯。共同的特点是数据很大，机器学习的团队比较庞大，一般进去的同学都可以有师傅带着学习，进步会比较快。

2、middle level
当当，携程，去哪儿，360,58同城，优酷，乐视。

一是业务挖掘类岗位，另外就是推荐和广告算法的团队。这类公司具有市场地位不够稳固，机器学习团队相对较弱或者较新的特点。
广告算法工程师。

3、Started level

今日头条（主要需要的是文本挖掘，推荐等人才）
二、机器学习相关职位分析

1、互联网业务挖掘

使用的主要数据和要解决的问题,初级的业务挖掘人员的工作会离数据和算法更近；高级的业务挖掘人员 
会离用户和业务更近。“数据挖掘工程师”等。

三产业：车辆调度：蚁群算法；

2、推荐算法

解决的核心问题是给用户想要的，不要给用户不想要的，降低用户找东西的难度，给用户更多的惊喜。
不同的互联网产品在不同的阶段，可以通过推荐系统解决不同的问题和实现不同的目标。

职位的设置情况和需求趋势：
相对业务挖掘岗位，有推荐算法职位的公司数量相对比较少。能够看到的一些公司如下。
电商：淘宝，当当，京东，口袋购物。
视频：优酷土豆，爱奇艺，风行在线，乐视。
音乐：豆瓣，虾米，网易云音乐，百度。
新闻APP:今日头条，网易新闻客户端，百度新闻，指阅。
阅读：盛大文学，掌阅科技。
团购：美团，糯米。
社交：微博，linkedin。
手机助手：豌豆荚，
LBS推荐：百度，高德。

相对电脑，手机的私密性更强，屏幕资源更小，可能会有更多的移动应用公司会部署推荐算法的岗位。

 

4、NLP
使用的数据主要是人们日常随意写出来的或者说出来的话。比如新闻，文章，微博上的话，qq的聊天， 
贴吧里的话，博客上的话，企业呼叫中心的对话等。
要解决的问题主要是对这些内容进行抽象，映射或者响应。比如信息抽取（命名实体识别，情感分析等 
），机器翻译，聚类，分类，自动问答等。

5、图像处理
使用的数据和要解决的问题：
参考《Computer Vision:Algorithms and Applications.Richard Szeliski》， 
《Multiple_View_Geometry_in_Computer_Vision__2nd_Edition》

面对的数据是图像，具体也会有处理静态图像和动态视频的区别。以及离线处理和在线处理的区别。

检测（就是看某个图片里是否有某类东西，比如是否有人脸）

识别（就是输入 一个图片，看这个图片和库里的哪个图片是一致的。）

分割，

拼接，3

D重建，聚类，分类