深度学习之图像

搜/广/推/NLP/CV/数据挖掘怎么选？

CV：CV是计算机视觉，作为算法岗火爆先锋部队，在五年前吃到了一大波红利。算法岗的落地场景我认为在搜索、广告、推荐、自然语言处理、计算机视觉、数据挖掘这六大算法岗中最多的。比如所有人都知道的人脸识别就是其中最大的应用场景，并且已经完全落地了，应用在无人售货机支付、APP登陆、支付宝微信银行等实名验证、交通违法自动识别、罪犯跟踪、门禁等等等等，商汤几乎就是靠着一手人脸识别的产品养活了整个公司。除此之外，CV还有无人驾驶、智能家居、监控、视频内容理解等等场景。但是应用场景多+第一批深度学习红利，带来的结果就是“卷”，七八年前，大量的计算机从业者转行深度学习、人工智能，所以导致人才溢出，供大于求。现在的情况就是，「没有顶会、比赛或者非名校根本进不了大厂」。这并不是一个危言耸听的事实，但是大家也不必过于焦虑，从我身边的例子来看，顶会or比赛or名校，有其一，在基础水平扎实的情况下，就能进大厂，具体怎么准备才能进，我之后会说。但也正是由于CV大大超过其他算法岗的落地场景，在算法岗普遍卷的今天，我反而推荐「以SSP为目标的，还有2年及以上多学校时间」的同学们去学习CV，因为现在“卷”不代表以后也“卷”。因为CV前几年卷，所以这几年大家大有着一起涌入搜广推的趋势，CV反而没想象中的卷。我身边就有不少非科班的同学去了大厂的CV岗（PS：他们有实习、名校、竞赛的背景其一）。当然，如果你马上就要准备春招了，手头只有CV的相关项目（相信大部分同学都是这个状态），那在学校还可以的情况下，冲一冲CV岗的实习也不是不可以，春招可比秋招简单多了，一段CV项目+不错的学校或者不错的比赛，足以进入任何一家大厂了，当然要是目标核心部门那要求还要更高一点。「总结：我认为CV的未来是光明的，人才需求是最多的，核心依据是它海量的应用场景，以及人才的流向分布，所以，如果你是刚进实验室的小白，想学CV又不敢学，大胆的去学，竞争比你想象的小；如果你是没有论文，但是名校毕业或手握项目和竞赛，面临春招不知道要不要找CV岗的应届生，大胆去找，竞争比你想象的小。」

NLP：NLP是以上6个算法岗中最有挑战性的岗位，因为在CV中，视频可以分割为一帧一帧的图像，图像又可以分割为一个一个的像素点，像素点又是有限的，这很适合计算机去解析。但是文字不一样，且不说全世界有上百种文字，每种文字又有亿万种变换，更别说中文这种博大精深的语言了。就目前来看，NLP成功落地的场景也只有机器翻译了（搜索我们在下文再提），所谓的对话、问答等还远远没有达到实际应用的地步，跟CV的落地比起来差远了。所以说实话，「短期内我看不到NLP的前景，大多都是实验室的玩具，发paper的工具罢了」。而在企业中，NLP也没有太多的应用场景，大部分都是解析文本来给下游任务做特征的。从我的经历来看，比如爱奇艺这类视频APP做NLP的有一部分是解析弹幕、评论等给用户画像做特征；腾讯广告中的NLP有一部分就是解析文本，给广告的推荐做特征、给用户打标签等等；百度小度中的NLP是跟语音、搜索挂钩的；京东的NLP有一部分是做推荐理由的。所以，纯的NLP岗位是真的不多，但做研究另当别论，如果你是博士励志进入大厂的研究所，那么NLP绝对是一篇蓝海，还有很多方向值得去探索。但是如果你是去业务部门干活的，那NLP的坑位确实不多。「总结：我认为NLP是有极大挑战的，适合做研究的，因为很多问题都没解决；不适合做业务的，因为坑位少」

数据挖掘：与NLP关联比较大的岗位是数据挖掘，但是很多公司其实不区分数据挖掘和NLP。在腾讯，知识图谱就归于数据挖掘方向。数据挖掘是最原始的算法岗，其初始的含义是从数据中挖掘信息的岗位。由于深度学习的崛起，数据挖掘慢慢的就被数据分析、NLP等等岗位所替代。所以其实这个岗位大家不用单独的去关注和学习，数据挖掘算法和机器学习算法大部分是重合的，只有小部分是数据挖掘所独有的，比如Apriori等等。同理，在公司中，数据挖掘也更多的是和业务绑定的岗位&#