機器學習就業前景

1. Deep learning (深度學習), 這是近年來最火的研究方向，其實就是基於神經網絡， 但需要deep structure. 以前因為種種的限制(hardware, lack of fast algorithm), deep learning沒有太多得被關注，但近年來隨着硬件和算法上的突破， 迅速成了業界最熱的研究方向。目前已經應用到了語音識別，圖像識別，NLP等等領域。尤其是在語音識別的圖像識別上取得了很大的突破，做得非常出色的學者有Hilton(多倫多大學，現在搬到了GOOGLE)， 斯坦福的andrew和他的學生，還有google,microsoft也都在投入很多錢在這個方向上。百度也在硅谷建立了深度學習的實驗室。

2. Distributed/Parallel Computing. 訓練機器學習算法是非常expensive的，而且隨着大數據的到來，怎麼把機器學習算法並行化或者用分佈式的方式來解決是一個非常重要的問題。像hadoop也是迎合了這種需求。 但是這些平台目前還是隻適合做數據處理(data precessing), 並不能完全並行化機器學習的核心算法，怎麼去並行化而且快速的優化是一個值得研究的問題。 除了map-reduce,還有像GraphLab也是在做這個事情， 而且非常出色的框架，由CMU的os (現在在UW)的團隊做的，它可以做相對比較複雜的算法(像collaborative filtering, k-means, belief propagation..) 我覺得這個方向很有前途

3. Bayesian/Nonparametric。 這個領域也是隨着硬件的發展而迅速崛起的領域。 像Bayesian mixture model, Dirichlet Mixture model, LDA, HDP, DP Process, Gaussian process,etc. 很多很多算法都可以設計成bayesian， 蠻有意思的。 除了具體的算法，這個領域還有一個重要的分支就是optimization, 像gibbs sampling, variational inference,而且怎麼把它parallel也是很有趣的問題。 這個領域有幾個大牛 (Michael Jordan (UC Berkeley), David Blei(Princeton), Tech(英國的學校)，還有一個劍橋的教授，Emily Fox(UW), Taskar(UW), 還有一個MIT的忘了名字了。

4. 如果喜歡應用的領域，可以去考慮推薦系統(collaborative filtering, content-based filtering, cold start ), 文本挖掘(opinion mining, search, text summarization. etc)， 社交網數據分析(spam detection, geo-location analysis, keyword extraction.. 很多很多。。). 如果做文本挖掘， 我覺得用深度學習很有前途(雖然還沒有完整的系統説深度學習很出色，但很多人正在嘗試)。

學好機器學習最重要的還是先選好一個問題(根據自己的愛好，不要太在乎以後的就業)， 然後把這個問題一直做下去，等你能在你的領域上發出高質量的論文的時候，你已經差不多成為機器學習的專家了。