年龄、性别、职业，这种基础特征，在任何推荐、广告、搜索 平台都有模型来做，简单来说，我知道海量用户中其中一些用户的真实年龄、性别、职业，那么我可以把这些当作样本，把用户的海量行为及其他基础数据当作特征，用来训练一个模型，有了这个模型，就可以用用户各种行为序列（可能包括搜索记录、点击记录、下载记录、付费记录，浏览记录），基础特征，得到用户的年龄、职业、性别，当然模型推测出来的，准确率肯定不会达到 100%。
至于同类视频推荐，从内容理解的观点来讲，可以用视频的图像、asr 、ocr 生成多模 embedding，本质上就是一个向量，既然有了向量，那么就可以用向量距离来表示相关性，这种一般由向量检索来做，想了解的话，可以搜索下 ANN 。
另外一类，是从推荐、广告、搜索的用户行为序列来看，可以用协同过滤以及衍生的各种算法，来达到一个相关性计算，比如如果两个视频出现在一个用户的观看记录里，我们就认为其相关，然后，可以根据这种在同一个用户的观看列表中出现的频次，来评判其相关性。
我是做工程的，对于算法的细节不能讲的很清楚，但是大体的数据 流程差不多是这样

教职很卷的，做这个选择的时候，在 v 站提问，肯定大多数人会让你选择教职，这没多少参考意义，还是要去问过来人，作为博士，圈内人肯定多，去问过来人，再做 trade off

看代码，看书，都是一个积累的过程，并不是一个完全的知识内化的过程，说到底，还是要用了，要在诸多限制下落地，才是最有意思，最有挑战的。还是要想办法去真实的世界解决真实的问题，特别是后端、算法这种岗位。

@James369 工程能力强的算法很多，这个群体是卷到变态的，我这几年就是做算法的工程落地的，作为一个后端，遇到过很多工程能力碾压后端开发的算法工程师。

@James369 所有技术的核心都在于商业价值，无论对于 cv nlp 还是推荐 搜索 广告，整个系统的计算和存储成本都是极高的，而算法模型的结构复杂度，参数数量，都是对计算 和存储的成本的极大考量。还有就是大公司的算法的核心 kpi 在于业务指标，不在于发论文，大厂的算法研究员现在也大都有落地的 kpi 了。

@James369 算法工程师核心在于落地，而且所有问题的基础在于数据，无论对于实验室的研究员还是大厂的算法工程师，做数据的时间都远多于做模型的时间，因为再复杂的模型都是一个确定的结构，都算是简单的，但是数据却有太多东西需要去探索。

片面点来讲，AI 最基础来说，就是统计，最基础的就是数据，有了数据就是去拟合一个 f(x)j=y 这个函数，就比如大学做实验的时候，我们会在坐标纸上根据点的分布，去拟合一个线性函数，这也是机器学习的一种基础应用。只是真实世界的数据特别特别多，很高维，对应的函数也特别复杂
这是很简单片面的理解，到了真正的落地就很复杂了

如果不是买不起房，想一直呆在深圳，气候太爽了

算法看业务，仅仅看岗位，看不出啥 diff

双非普通研究生，说到底，只能给你带来一个研究生的 title，收益有限，甚至会成为劣势

不建议太分散精力，学习东西尽量集中点

@IITII scala 不冷门，但是主要大数据开发用的多

@hhahha 微信上面留错了，d3hpZF9mODByNGl1M3lvdHEyMg==

@hhahha 感兴趣可以加这个微信 aWx3eA==

@hhahha 具体看你背景，成都上限不高，不过如果背景好点，找个满意的工作没啥问题

有同学在里面，今年虽然靠着疫情年终还不错，但是对手太强大了，压力很大，产品喜欢瞎逼来，有很大话语权

建议刚毕业还是去一线闯一下

系统设计八股搜一下，总有和候选人背景类似的系统设计题