什么是百度信息流广告？_深度学习技术具体怎么理解？

1、 什么是百度信息流广告？

并不存在一种「百度信息流广告」，只有信息流广告和提供投放的平台。

百度的信息流广告上线时间并不长，但是却发展迅速，其露出位置包括改版后的百度首页，手机百度，百度新闻等app的信息流内容中。

相比微博、微信还有等信息流广告平台，百度的优势并不非常明显，其用户还是传统pc端的搜索用户，但是也是可以尝试投放。

2、 深度学习技术具体怎么理解？

现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又是一种什么样的技术呢？

深度学习是什么

深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。

深度学习的“深度”体现在哪里

论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。而事实可能并非我们想象的那样，因为从算法输入输出的角度考虑，深度学习算法与传统的有监督机器学习算法的输入输出都是类似的，无论是最简单的LogisticRegression，还是到后来的SVM、boosting等算法，它们能够做的事情都是类似的。正如无论使用什么样的排序算法，它们的输入和预期的输出都是类似的，区别在于各种算法在不同环境下的性能不同。

那么深度学习的“深度”本质上又指的是什么呢？深度学习的学名又叫深层神经网络（DeepNeuralNetworks），是从很久以前的人工神经网络（ArtificialNeuralNetworks）模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的“深度”便指的是图模型的层数以及每一层的节点数量，相对于之前的神经网络而言，有了很大程度的提升。

深度学习也有许多种不同的实现形式，根据解决问题、应用领域甚至论文作者取名创意的不同，它也有不同的名字：例如卷积神经网络（ConvolutionalNeuralNetworks）、深度置信网络（DeepBeliefNetworks）、受限玻尔兹曼机（RestrictedBoltzmannMachines）、深度玻尔兹曼机（DeepBoltzmannMachines）、递归自动编码器（RecursiveAutoencoders）、深度表达（DeepRepresentation）等等。不过究其本质来讲，都是类似的深度神经网络模型。

既然深度学习这样一种神经网络模型在以前就出现过了，为什么在经历过一次没落之后，到现在又重新进入人们的视线当中了呢？这是因为在十几年前的硬件条件下，对高层次多节点神经网络的建模，时间复杂度（可能以年为单位）几乎是无法接受的。在很多应用当中，实际用到的是一些深度较浅的网络，虽然这种模型在这些应用当中，取得了非常好的效果（甚至是thestateofart），但由于这种时间上的不可接受性，限制了其在实际应用的推广。而到了现在，计算机硬件的水平与之前已经不能同日而语，因此神经网络这样一种模型便又进入了人们的视线当中。

“2012年6月，《纽约时报》披露了GoogleBrain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学机器学习教授AndrewNg和在大规模计算机系统方面的世界顶尖专家JeffDean共同主导，用16000个CPUCore的并行计算平台训练一种称为“深层神经网络”（DNN，DeepNeuralNetworks）”

从GoogleBrain这个项目中我们可以看到，神经网络这种模型对于计算量的要求是极其巨大的，为了保证算法实时性，需要使用大量的CPU来进行并行计算。

当然，深度学习现在备受关注的另外一个原因，当然是因为在某些场景下，这种算法模式识别的精度，超过了绝大多数目前已有的算法。而在最近，深度学习的提出者修改了其实现代码的Bug之后，这种模型识别精度又有了很大的提升。这些因素共同引起了深层神经网络模型，或者说深度学习这样一个概念的新的热潮。

深度学习的优点

为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。

深度学习的缺点

深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这种算法工作的前提是，使用者能够提供“相当大”量级的数据。也就是说在只能提供有限数据量的应用场景下，深度学习算法便不能够对数据的规律进行无偏差的估计了，因此在识别效果上可能不如一些已有的简单算法。另外，由于深度学习中，图模型的复杂化导致了这个算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧以及更好更多的硬件支持。所以，目前也只有一些经济实力比较强大的科研机构或企业，才能够用深度学习算法，来做一些比较前沿而又实用的应用。

3、 自学数据挖掘可以找到工作吗？

我自己本科和研究生一直学的统计学，工作后一直从事数据分析和挖掘的工作。我简单来回答一下这个问题：

说句比较俗也比较实在的的话，一切皆有可能

首先目前数据挖掘相关的职位基本上是供不应求，原因是“数据爆炸，知识匮乏”。数据挖掘技术正好是解决这类问题目前来看最好的方法。大部分从事数据挖掘相关工作的并不是来自本专业和相关专业

其次你本身是研究生，本身土木工程对数学和统计的要求还是有点高的。估计编程的功底也不会差。能靠上研究生，至少学习能力不会差。所以学好并入行问题肯定不大。

关键要考虑需要学习什么，及怎么学效率比较高的问题，个人有如下一些建议：

1.最好能简单学习一些统计学的基础：比如数理统计、线性模型和logistic回归模型、聚类分析等等；

2.最好能学一门相关的数据挖掘软件，个人推荐Python（numpy、pandas、matplotlib和sklearn）

3.认真读一本数据挖掘相关的书（个人推荐《数据挖掘导论》），重点是理解各种算法的来龙去脉和优点缺点。如果觉得有难度，可以参加一些培训。目前这类培训还是非常丰富的。不过不建议一上来就学深度学习、强化学习。这个会有点难度，对信心培养不利

4.做一些实际的数据挖掘问题，比如去kaggle上刷一下题。kaggle上面很多的问题都是企业里面实际需要去解决的数据挖掘问题，场景非常明确，评估标准也非常统一。这个对你学的数据挖掘理论和软件操作是一种很好的检验和提升。

最后就是找工作，相信你完成这些训练，找份数据挖掘相关的工作应该不难。在此祝你好运。有任何问题可以关注我的头条，私信沟通。谢谢！

4、 想学深度学习，有了解的吗？

朋友你好，你说想深度学习有了解的吗？这个不知道你现在的学习水平是什么程度是高中毕业还是中专毕业。只能分层面的回答你