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