@HarryQu 当你有一个明确具体的需求，但是不知道这门语言对应的函数时，你会怎么办？小众语言 google 不一定有对应答案。

@sugarkeek 看不明白你的表述。

@statumer 谢谢回复。
因为在应用层面，可以大量应用一些理论上不成立的数学技术，—————这句话不太明白。可否举个常见的比较简单的例子？

@xinbaqiu 多谢你告诉我。请问你在 python 频道下发帖有这种情况么？发出来就排在后面？

@ClericPy 明白了！

@ClericPy 谢谢回复。不知道你是再 python 节点下第几行看到我的帖子的？我怀疑我发的帖子被降权了！

@OceanSea 如果考虑版权成本的话呢？愿闻其详。

@ranxfan 可以用 conda 构建不同的虚拟环境么？构建虚拟环境有时是为了使用一些 python 老版本或者老版本第三方包，这些老版本包能用么？

快两百天了。情况有什么变化么？有什么新的使用体验分享一下么？

@babyformula 谢谢耐心而详细的回复。不知道业内达到“突破或创新”水平的成果一般会公开发表么？（因为有些成果是公司员工创造的。理论上不应该公开发表。但是一来有些会开源，二来申请专利的时候也会让大家知道我有突破。还有技术过时了也会公开，使大家知道“事后”知道这些突破创新来自该公司且长期由其独家使用。）

@tfdetang 谢谢回复
如果工程师型，微积分线代，概率，统计应该也要很好的掌握吧。否则算法也理解不了。对么？一楼说还要看最优化, 随机过程, 矩阵论, 少部分信号处理。前三个非数学专业或应数专业的课程一般不会讲的。这使我觉得数据科学对数学的门槛要求还是挺高的。不知道工程师型的人员是否也要拿下最优化, 随机过程, 矩阵论, 少部分信号处理这些课程呢？

@babyformula 谢谢回复。很有启发。
“ 如果只是调用 matlab 或者 python 常用库其实在 ML 和 DL 领域可做的东西真的不太多. 举个例子, 研究领域要体现创新性 /突破性势必会要提出一些新的算法或者结构, 那么如何验证这种算法可行或者 benchmark 还是要落在程序的实现上, 这种往往都不是常用库里会出现的. ”———————这段文字所说的创新突破大概是什么段位的创新突破？新的算法或结构又是在什么层面的？例如，现有的“工具”有：k 临近算法，回归，卷积神经网络………。“ 创新性和突破性”是指为这个“工具库”发明添加一些没有的工具么？

“ 如果数据处理(甚至是前处理), 还有训练 /验证框架(甚至是训练代码), 然后还有模型的压缩和部署都由其他专人给处理好, 那剩下的岂不是缓缓键入‘python run.py’就好了. 现实情况下往往这些都是需要 ML/DL engineer 需要考虑的内容
最后模型的效率和具体语言无关, 和硬件 /架构 /数据结构 /计算机系统 /算法优化 等等这些计算机不同方向的关系很大”——————不知道有没有这方面“导论”水平的书推荐。不是单独的算法导论，数据结构导论（这有可能会偏向计算机科学领域了），而是数据科学领域的算法、数据结构，硬件，架构这些需要统筹考虑问题的“导论”

@oneTimeElastic 谢谢回复。你回复的内容对我很有启发。

“如果你做 learning theory 这类 数学要求还是很多的。相反现在深度学习这里很多 paper，如果你去看，其实并没有那么多数学要求。”——————意思是，如果不做数据科学理论的推动者，只是将现有数据科学的理论用于实践，并没有那么多数学要求，对么？（这里说的没有那么多数学要求是没有那么高的“纯数学”要求。但是微积分线代概率统计最优化随机分析……这些依然要会，否则现有的数据科学理论方面的书也看不懂，更加不会灵活应用，也不会调参数，对么？？？）


“如果你想做 ml engineer 这类，那么你要掌握的就不只是 python spark 这类，你可能还要根据业务学会别的”————这段话中如何定义 ml engineer 的工作内容？还需要根据业务学会什么？可否举个例子？

@babyformula 等于说数学专业转 ML 最大的短板还是在“代码”方面？不过这方面也不会太短吧？毕竟数学专业的日常也会用 Matlab 或者 python 的常用库吧。致于数据库什么的，只要会用 python 或 Matlab 从数据库取数据就可以了吧。毕竟计算机专业的最后工作也不是所有事情都亲力亲为，而是专精某个细分领域。模型运行效率更加不是 ML 专业的人考虑的事情了吧。关注效率的话，至少要用 c 或 c++重写模型吧。
不知道以上认知是否靠谱？如有偏颇还望指正。

@heavenToothpaste
谢谢你的回复。刚看了卷积神经网络的一个小视频。不知道理解的对不对：卷积层实际上就是一个“过滤器” ，即“当某个维度特征是其他维度特征的线性组合的时候，”卷积层就把这个维度“优化掉”。这样就大大减轻了后面的神经网络层处理这些“冗余”维度数据的“压力”。达到同样的识别准确率只需要比较少的神经网络层。或者是需要的训练集更少。
-------------------不知道这样的理解是否恰当？

@mcoo1997 请问你是翻到第几页才看到的我的帖子？