机器学习已经普及了，如何脱颖而出

请问楼主是sklearn调包侠吗？

Very simple. Who can develop a ML model for trading stocks? LOL. The data is there, the market is there, where’s your alpha?

了解概念容易，调包容易->入门容易

问这个问题，就说明楼主没有入门 Machine Learning

在数据上调用工具大家都会，但工具和参数无穷无尽，回答用什么工具，哪些参数，是否要个性化开发，背后原因是什么，这些需要很深的理解和经验

competo 发表于 2022-3-31 21:40
Very simple. Who can develop a ML model for trading stocks? LOL. The data is there, the market is th ...

你的意思是那些吹牛机器学习的人，移到stocking里，就露馅了？

microsat 发表于 2022-04-02 07:16:05
你的意思是那些吹牛机器学习的人，移到stocking里，就露馅了？

我的意思是现有技术就是解决了经验回归问题，其它的要不是无法找全数据要不是模型不对，无法提出有用的东西

dangertrip 发表于 2022-3-25 14:09
这个问题很好，我最近也在学习相关的内容，但也还没有头绪

feature selection

插眼插眼

脱颖而出的方式很多啊。。比如你大概了解各种新模型，数学足够 solid 扔给你个paper 都能看明白重点，implement 出来，工程能力好，可以 deploy 到 product 顺便根据使用情况改进。。需要加速加速。。。可以提高的点太多了。。。只是你有可能看不到。。

我也在想这个问题，去年刚从data scientist 转为MLE。说说我的想法吧（我在小公司比较多，可能看法会有些片面）
刚工作那会PhD加data scientist还算吃香，ML热度很高，听上去以为你在做什么高深莫测的东西。慢慢的发现很多时候就是调包侠加调参侠，后来data scientist越来越多，尤其小公司，其实就是data analyst + 调包…我个人觉得没有任何难度和不可替代性，尤其AI对很多公司来说只是一个bubble, 为了做AI而做AI，AI/ML根本不是万能的这bubble早晚要破。
之前工作的startup有一个好处是人少，所以data pipeline, architecture, backend service 整个一套ML体系都要做，所以我转了MLE，对我来说我是希望再跳槽一次变成SDE - ML，机器学习这么普及的情况下productionize models 还是需要的，个人技能方向也是可以做SDE的东西的。我觉得对于中小公司来说以后机器学习就是一个面向普通程序员的基本技能。

还有一个我觉得比较有前途的是大公司research scientist 一类，可以在这个领域有突破有建树，
不过我脱离academia太久，又不是名校毕业，这条路能走的概率太小了