想要快速拿绿卡吗？跟我一起写Survey吧！（有经验者优先）
HTML-код
- Опубликовано: 9 фев 2025
- 欢迎来到我的频道，在这里我会讲解机器学习、深度学习最经典或者最前沿的模型，同时我还会讲在美国如何生活，如何找工作，如何刷LeetCode，如何快速融入社会。喜欢记得订阅、点赞哦！如果你有什么想要听的，在下面留言吧！
目前的讲解清单：
线性回归 (LR)、逻辑回归 (LogR)、多项式回归 (PR)、Lasso 回归、Ridge 回归、弹性网络 (Elastic Net)、决策树 (DT)、随机森林 (RF)、梯度提升树 (GBT)、XGBoost、LightGBM、CatBoost、支持向量机 (SVM)、朴素贝叶斯 (NB)、K 最近邻 (KNN)、主成分分析 (PCA)、独立成分分析 (ICA)、线性判别分析 (LDA)、t-分布邻近嵌入 (t-SNE)、高斯混合模型 (GMM)、聚类分析 (CA)、K 均值聚类 (K-means)、DBSCAN、HDBSCAN、层次聚类 (HC)、GAN (生成对抗网络)、CGAN、DCGAN、WGAN (Wasserstein GAN)、StyleGAN、CycleGAN、VAE (变分自编码器)、GPT (生成式预训练模型)、BERT、Transformer、LSTM (长短期记忆网络)、GRU (门控循环单元)、RNN (循环神经网络)、CNN (卷积神经网络)、AlexNet、VGG、GoogLeNet、ResNet、MobileNet、EfficientNet、Inception、DeepDream、深度信念网络 (DBN)、自动编码器 (AE)、强化学习 (RL)、Q-learning、SARSA、DDPG、A3C、SAC、时序差分学习 (TD)、Actor-Critic、对抗训练 (Adversarial Training)、梯度下降 (GD)、随机梯度下降 (SGD)、批量梯度下降 (BGD)、Adam、RMSprop、AdaGrad、AdaDelta、Nadam、交叉熵损失函数 (Cross-Entropy Loss)、均方误差损失函数 (Mean Squared Error Loss)、KL 散度损失函数 (KL Divergence Loss)、Hinge 损失函数、感知器 (Perceptron)、RBF 神经网络、Hopfield 网络、Boltzmann 机、深度强化学习 (DRL)、自监督学习 (Self-supervised Learning)、迁移学习 (Transfer Learning)、泛化对抗网络 (GAN)、对抗生成网络 (GAN)、训练生成网络 (TGAN)、CycleGAN、深度学习生成模型 (DLGM)、自动编码器生成对抗网络 (AEGAN)、分布式自编码器 (DAE)、网络激活优化器 (NAO)、自编码器 (Autoencoder)、VQ-VAE、LSTM-VAE、卷积自编码器 (CAE)、GAN 自编码器 (GANAE)、U-Net、深度 Q 网络 (DQN)、双重 DQN (DDQN)、优先回放 DQN (Prioritized Experience Replay DQN)、多智能体 DQN (Multi-agent DQN)、深度确定性策略梯度 (DDPG)、感知器 (Perceptron)、稀疏自编码器 (SAE)、稀疏表示分类 (SRC)、深度置信网络 (DBN)、支持向量机 (SVM)、集成学习 (Ensemble Learning)、随机森林 (Random Forest)、极限梯度提升树 (XGBoost)、AdaBoost、梯度提升机 (Gradient Boosting Machine)、Stacking、贝叶斯优化器 (Bayesian Optimization)、贝叶斯网络 (Bayesian Network)、EM 算法 (Expectation-Maximization Algorithm)、高斯过程 (Gaussian Process)、马尔科夫链蒙特卡洛 (MCMC)、强化学习 (Reinforcement Learning)、无监督学习 (Unsupervised Learning)、半监督学习 (Semi-supervised Learning)、监督学习 (Supervised Learning)、迁移学习 (Transfer Learning)、维数约简 (Dimensionality Reduction)、特征选择 (Feature Selection)、特征提取 (Feature Extraction)、正则化 (Regularization)、标准化 (Normalization)、聚类 (Clustering)、分类 (Classification)、回归 (Regression)、降维 (Dimensionality Reduction)、特征映射 (Feature Mapping)、神经网络 (Neural Network)、神经元 (Neuron)、激活函数 (Activation Function)、损失函数 (Loss Function)、优化器 (Optimizer)、学习率 (Learning Rate)、批次大小 (Batch Size)、迭代次数 (Epoch)、超参数 (Hyperparameter)、模型评估 (Model Evaluation)、交叉验证 (Cross Validation)、混淆矩阵 (Confusion Matrix)、ROC 曲线 (ROC Curve)、AUC 值 (AUC Value)、精确度 (Precision)、召回率 (Recall)、F1 分数 (F1 Score)、模型解释 (Model Interpretability)、特征重要性 (Feature Importance)、局部解释 (Local Explanation)、全局解释 (Global Explanation)、机器学习管道 (Machine Learning Pipeline)、一键生成模型 (AutoML)、超参数优化 (Hyperparameter Tuning)、FFT、拉普拉斯变换、z变换、傅里叶变换、短时傅里叶变换 (STFT)、IIR、FIR、卡尔曼滤波、DIP算法、小波变换
音乐使用许可：RUclips 音频库许可
你可以将此音频曲目用在任何视频中，包括你用来创收的视频。
无需署名。
视频中的音乐（均为以上许可）：
AETHER - Density & Time
If I Had a Chicken - Kevin MacLeod
Missing Persons - Jeremy Blake
PELAGIC - Density & Time
discord邀请链接：discord.gg/9GvH52ZnzK
如果感兴趣，进入# survey子区，然后介绍一下自己
说实话，Survey最大的挑战不是瞎掰扯，而是跑benchmark😂 … 很多大LLM，你自己那点资源根本就别指望能跑起来。我们作为研究者，平时去看Survey，一方面也是为了可以看看有没有现成的benchmark数据可以拿来用，这样我们只用关注自己model的benchmark，而不用把人家的全部都跑一遍。另一方面，Survey的价值所在，就是能让别的研究者可以迅速了解领域发展现状，从而可以让自己可以快速切入到具体的研究主题上
@@ruiyangxu790 也可以不跑代码
没必要跑代码啊 又不是要投顶刊
博主的标题越来越有诱惑力了😊
😂
好標題，能吸引到10萬粉不遠了
不是 我真的是要写 这算是招聘启事吧
😂我做解决方案的，最怕这这个背景调查。不光是要读，你还需要对对整个背景特别熟悉，每个方法的实现特别了解，你才能够知道各自之间的异同之处。
那是要写好的 如果写一般的就没事
標題hook. Nice
？
好奇Survey是面向哪一個領域的，NLP我這邊可以提供協助，CV或生醫醫療領域主要是偏離我當前工作領域太多就可能要觀望
加discord详聊
EB1 EB2引用量计算会对作者的次序有什么要求吗
这是uscis的机密 一般人不知道 他们有自己的算法而且经常调整
要發哪一份期刊呢？
暂时arxiv 有了大牛之后看看
@@phdvlog2024 所長算不算大牛
谁？
@@phdvlog2024 有一些
@@phdvlog2024 有一些
请问博主，start rough refine later 这个图从哪可以得到呀
这是一篇survey里面的吐 你去找一下这篇survey
survey要写得好，还是需要对每一篇文章有比较深入的理解的，并不好水
也没那么难 每篇文章就改了一点点
我的毕业论文好像就是综述论文
😂
挺好的
這樣好找工作嗎？
综述论文 应该不能当作毕业论文来用吧。。。。
@@leodanli85 老师出的题目，我也没办法
我不要绿卡 只想跟你写survey
😂
什么？生孩子？哦不是，写 survey?
非学术的，只能来蹭面子了🫠
😂
带我一个 我跟你写survey
加discord
兄弟你说的是EB1A的要求吧，eb2 的要求有点过了，那是EB1B的要求。别为标题制造焦虑
？100引用只能走eb2，eb1b需要雇主担保，前提是你找到工作，然后雇主给你day1绿卡
@@phdvlog2024 本人就是100多citations走eb1b通过的，并不是所有eb1都需要1000+ citations。而且你的观点是针对是eb1，我针对的是eb1b，好像没有冲突？anyways 我只是提供一个datapoint给大家参考，别太过于为citations焦虑
首先年份很重要，差一年就差很多，其次领域不同，做安全或者数学推导肯定不如cv要求高