算法infra

❶ 上岸算法 I 在北美工作的码农找对象容易吗

北美IT公司有个很有趣的现象，单身的码农们很多都找同公司的data scientist作为自己心仪的另一半。为什么呢？ 因为大数据研究显示，data scientist是一个盛产帅哥美女的岗位呀~ 那我们就来研究一下这个盛产男神女神的data scientist岗位到底是做什么的呢？

大型科技公司的data scientist一般分为 inference、analytics、modeling/algorithms三个板块，分别做的是假设检验和实验设计、数据智能和产品分析、机器学习和数据建模。

大型IT公司的Data Scientist分工比较明确，特别是general hiring的公司，一般一个岗位focus在inference、analytics和modeling其中的一到两种。 像微软、亚麻这样按组招聘的公司，DS具体的职责岗位根据对应的组会有很大的差异。其他行业，零售公司或者startup的DS比较full stack，什么都要做；医药行业侧重于inference；金融行业侧重于modeling。下面来具体说一下每家大IT巨头对data scientist、data analyst、machine learning engineer、data engineer、research scientist的划分。

Google： 谷歌曾经有个岗位叫quantitative analyst，即QA，是他们硬核的data scientist。可能是觉得QA这个名字实在是太不吸引人了，所以加上了大名鼎鼎的前缀——Data Scientist。谷歌家还有一种data scientist叫data scientist, proct analytics。 谷歌的data scientist岗一半偏QA，一半偏PA，面试的时候HR会和面试者确认。 除此之外，和ML相关的岗位还有software engineer machine learning，也就是MLE，也有的software engineer是做data engineering，即DE。

Facebook ：data scientist, analytics是proct analytics，infra data scientist和core data scientist做的活更偏Machine Learning。Research Scientist对应的头衔是PHD Scientist。和谷歌一样，Facebook和ML相关的岗位还有software engineer machine learning，也就是MLE，以及Data Engineer。

Amazon： 亚马逊有四类和Data密切相关的工作——business intelligence engineer、data scientist、research scientist、applied scientist。其中，BI Engineer是analytics和data engineer的结合。他们的data scientist做一些analytics和一部分的machine learning modeling。A家的Research Scientist做ML的research但是coding部分偏少。听上去最最接地气的applied scientist是他们家要求最高给钱最多的岗，非常硬核，不要被名字中的applied所迷惑了，这个岗位需要ML和coding都很强的科班人才。

Airbnb ：他家的data scientist是出了名地分track的，analytics，inference和algorithms三个。analytics就是proct analytics，inference主要做假设检验和实验设计，algorithms做Machine Learning models。

LinkedIn： LinkedIn的DS也有三个track——strategy and insights类似于analytics，inference and algorithms类似于inference and modeling，以及data engineering，LinkedIn也有software engineer machine learning，但是和data scientist不在一个org。LinkedIn的ML非常硬核，基本只招PHD，做很多算法。

Uber： 黑车家的proct analyst是做analytics的data scientist，而data scientist干的活偏inference和modeling，同时Uber也有另设的MLE。

Lyft ：research scientist偏modeling，data scientist偏inference和analytics。他们本来对应的岗位是analyst和scientist，后来顺应行业趋势把analyst改成data scientist，把原来的scientist改成research scientist。

Apple： Apple因为是按组招人所以比较mixed。同样是data scientist，有的组做dashboard有的组做machie learning engineer。有些DS和其他公司的MLE是一样的，所以要了解得通过工作描述、HR介绍、面试的时候多和组里的人问问。

Microsoft ：和Apple一样，微软常见的也是按组招人所以比较mixed，有的是analytics，有的做Deep Learning。

Twitter ：Twitter的DS是综合性的，Algorithm、Analytics、Inference都做。面试的时候可以问：analytics，inference，和ML modeling这三大DS板块中，你们组平时的项目在这三种领域占的比例大致是多少？通过这个问题就可以基本上了解他们组的工作性质。

由此可见，虽然都叫Data Scientist，但是每家科技巨头的DS工作范围可都不太一样呢。 不管你是喜欢硬核的deep learning，还是注重沟通的analytics；不管你是擅长设计实验的inference，还是专注建造机器学习模型的algorithms，需要知道的是DS这个领域的spectrum非常的广泛。面试的时候还是每个领域都要或多或少地准备到的。 只有发挥长板优势、补足短板不足，才能在朝夕万变的市场潮流中快速上岸，拿到大包。 同时，这对面试者的能力和准备工作也是很大的挑战。

❷ 生物钟是由什么来控制的会失灵么

人体的生物钟：人的生命过程是复杂的，又是奇妙的，它无时无刻不在演奏着迷人的“生物节律交响乐”。这就是通常人们所说的生物钟。生物钟也叫生物节律、生物韵律，指的是生物体随时间作周期变化的包括生理、行为及形态结构等现象。科学家发现，生物钟是多种多样的。就人体而言，已发现一百多种。生物钟对人健康的影响是非常巨大的。整个人类都是按以一昼夜为周期进行作息，人体的生理指标，如体温、血压、脉搏；人的体力、情绪、智力和妇女的月经周期；体内的信号，如脑电波、心电波、经络电位、体电磁场的变化，等等，都会随着昼夜变化作周期性变化。没有人否认这一系列的现象与人的健康毫无关系。科学发现，生物钟紊乱的时候，人类甚至所有生命就容易生病、衰老或死亡。有的人的生物钟几十年都是相对稳定的，他的健康状况是良好的，而生物钟表一旦被打破，较长处于紊乱状态，就产生各种各样的不适或疾病，有的甚至危及生命。据说，欧洲名酒枣威士忌的商标是一长寿老人的头像，这老人活了152岁。当时，英国国王想见这位长寿老人，就请他到皇宫来吃喝玩乐，以示隆重款待，谁知，由于生活规律被突然改变，一周后老人不治死去。在我们的生活中，也有一些健康老人，几十年如一日，终日劳作，越显健康，有一天，由于儿女的孝顺，让他休息“享清福”，结果不是周身不舒服，就是一病不起。有的刚退下来的老人，身体状况反而不如上班的时候，都是与生物钟突然改变有关。我们认为，年轻人要及早认识、发现和掌握自己的生物钟，然后、逐步顺应它，使之发挥良性效果。老年人要对几十年形成的生物钟要保养好，不要轻易改变它，免得引起生物钟紊乱而影响身心健康。孝顺的儿女们，也不要轻易让老人迁就你们的“孝心”。据调查，在一家叫老人保健康复中心里，好几个九旬老人在家的时候身体状况、精神状态都很正常，儿女送他们到中心是让他们得到良好的医疗保障，但结果，这几个老人都是不到半月，“无疾”而终。这与老人的生物钟被改变有无关系，我们无法深究 。不过，我们相信，认识生物钟、掌握生物钟、顺应生物钟对维护和增进人们的身心健康是有帮助的。

如何调整生物钟？
在冬季，人们的食欲多有增加，但这并不意味着在冬季人体需要更多的热量，这是由于人体的“激素钟”在寒冷的气候下，运转有所改变造成的。
科学研究发现，冬天的寒冷影响着人体的内分泌系统，使人体的甲状腺素、肾上腺素等分泌增加，从而促进和加速了蛋白质、脂肪、碳水化合物三大类热源营养素的分解，以增强机体的御寒能力，这样就造成人体热量散失过多。因此，冬天营养应以增加热能为主，可适当多摄入富含碳水化合物和脂肪的食物。
对于体质偏弱而无严重疾病的人来说，可以根据自己身体的实际情况，适当选用一些药食两用的食品，如红枣、芡实、薏苡仁、花生仁、核桃仁、黑芝麻、莲子、山药、扁豆、桂圆、山楂、饴糖等，再配合营养丰富的食品，就可达到御寒进补的目的。
对于肥胖的人来说，冬季是减轻体重、控制肥胖的大好时机。此时，肥胖者晚餐应少吃，并安排得清淡一些。由于晚间人体摄入的营养素易转化成脂肪而储存，同时，晚间活动量小，如果晚餐丰盛则易引起血脂升高，并易沉积于血管壁上，为动脉硬化埋下隐患。
妇女在冬季应增加无机盐和维生素的摄入，尤其是钙和铁应有充分的供应。老人和儿童及体质虚弱者或慢性消耗性疾病患者，生理耐寒能力差，寒冷对他们是很大的威胁，尤其需要优质蛋白质。蛋白质、脂肪和碳水化合物三者应保持合理的比例，三者应分别占13%-15%、25％-35％、60%-70%为宜。
老人冬季宜常吃粗粮、杂粮和薯类。如玉米、荞麦、燕麦、红薯、马铃薯、羊奶、兔肉、动物肝、动物血、豆腐、芝麻酱、红糖、虾米、虾皮以及带色叶菜都适于冬季进食。
此外，冬季进补御寒，调整饮食的同时，应进行耐寒力锻炼从而增强适应能力。如忽略了人体本身的生理耐寒力，而一味依赖食物御寒，过多地食用高热能高脂肪的食物和酒类等，可造成和加重心血管病。而且，一冬下来，有可能多长出赘肉，会给原来就胖或心血管功能不佳者带来许多不利影响。因此，冬天应坚持适当的体育运动，如太极拳、散步、打球等，这样可促进新陈代谢，加快全身血液循环，增强胃肠道对营养的消化吸收，真正达到食而受益的目的
224》如何调整好生物钟
经过长时间的复习备考，很多考生形成了晚睡的习惯。有些人甚至到了上午10∶00左右还懒洋洋的，兴奋不起来。如果到了高考时还是处于这种生理状态，就很不利,应该注意调整好自己的生物钟。
人的生物钟是长时间形成的一种生理反映。要想调整到最佳状态，应该在考前半个月左右就着手进行。高考的第一场考试一般在上午9∶00开始。考生要想保证自己有充足的精力和适度的兴奋状态，就要完全按照高考期间的作息时间安排自己一天的生活，逐步把生物钟调整过来。
第一步是把晚睡的习惯改掉，第二天早上也不能睡懒觉。具体地说就是每天晚上一定要在22∶00以前入睡，第二天早上要在6∶00～6∶30左右起床。起床洗漱完毕后，活动一下身体，看几页复习资料，7∶30左右再吃早餐。这样到9∶00左右整个人已经逐渐进入兴奋状态。为适应考试，考生在9∶00～11∶00之间可以自己找一些卷子试着做一做。这样既能进行一下复习，又能体会适度紧张的感觉。
午饭后，考生也要按高考的需要休息一个小时左右再进行复习。从而使自己在每一场考试的时间里都处于适度的兴奋中。
为什么没有闹钟的铃声，你却每天按时醒来?为什么雄鸡啼晨，蜘蛛总在半夜结网?为什么大雁成群结队深秋南飞，燕子迎春归来?为什么夜合欢叶总是迎朝阳而展放?为何女子月经周期恰与月亮盈缺周期相似?生物体的生命过程复杂而又奇妙，生物节律时时都在奏着迷人的“节律交响曲”。

近年来，时间生物学认为，生物体乃至植物体的生命随昼夜交替、四时更迭的周期性运动，揭示出生理活动的周期性节律。古代医学视天地为大宇宙，人体为小宇宙，谓大小宇宙息息相通。健康人体的活动大多呈现24小时昼夜的生理节律，这与地球有规律自转所形成的24小时周期是相适应的，表明生理节律受外环境周期性变化(光照的强弱和气温的高低)的影响而同步。诸如人体的体温、脉搏、血压、氧耗量、激素的分泌水平，均存在昼夜节律变化。生物近似时钟的结构，被称之为“生物钟”。周期节奏近似昼夜24±4小时称“日钟”， 近似29.53±5天称为“月钟”，近似周年12±2月称为“年钟”。时间生物学研究揭示了植物、动物乃至人的生命活动具有一个“持久的”、“自己上发条”和“自己调节”的生物钟 。

生物钟依靠像时钟那样周期往复的振荡工作，其工作节奏是不受周围环境影响的，故认为其周期振荡节奏是内生的或在不同器官内独立进行。生物钟的存在有极重要的生物学意义，它能使生物与周期性的环境变化相适应，特别是一些对生存和繁殖关系重大的，如迁徙、觅食、交配、生育等，以至作出提前安排。如糖皮质激素在清晨起床前就已升高，为白天活动作好预先的准备。然而生物的这种适应性也是有限度的，生理周期只能在一定范围内追随外界的周期性，当偏差太大，外环境变化造成刺激过强过弱，以致使生理振荡变为越轨的自由运转，从而干扰了时钟的正常运转，造成个体不同器官内部节奏位置的紊乱，破坏有序的合作，会引起某些疾病。
近10年，生物学的研究越来越清楚地告诉我们，昼夜节律是在中枢神经系统调控下形成的。1972年研究人员证明，下丘脑前部视交叉上核担负着昼夜节律的中枢起搏点作用。临床观察到人类脑肿瘤破坏包括视交叉上核区时，可导致睡眠-觉醒周期瓦解。灵长类脑内至少有两个昼夜节律起搏点，其中一个就是视交叉上核，另一个目前尚未确定。

为何成绩一般的学生考上了名牌大学，而名列前茅的学生却名落孙山?为何一贯行为文明的青年人突然与人吵架?原来人体存在智力、情绪、体力周期分别为33天、28天和23天的生物钟，这3种“钟”存在明显的盛衰起伏，在各自的运转中都有高潮期，低潮期和临界期。如人体三节律运行在高潮时，则表现出精力充沛，思维敏捷，情绪乐观，记忆力、理解力强，这样的时机是学习、工作、锻炼的大好时机。这时怀孕所生的孩子一定是聪明伶俐的优生儿。在此期，增加学习、运动量，往往事半功倍。学生节律高潮时考试易取得好成绩，作家易显“灵感”，运动员在此期易破记录。
相反，三节律运行在临界或低潮期，会表现耐力下降，情绪低落，反应迟钝，健忘走神，这时易出车祸和医疗事故，也难在考试中出成绩。老年人发病常在情绪钟低潮期，而许多疾病死亡时间恰在智力、体力、情绪三节律的双重临界日和三重临界日。了解自己三节律的临界日和低潮期，可以在心理上早作准备，以顽强的意志和高度的责任感去克服困难，安然度过临界日和低潮期。
如何计算自己智力、情绪、体力钟的高潮、低潮和临界期呢?以下是一种简算法：
(1) 先算“总天数”即计算出生之日至所计算之日的总天数。公式：t=(365.25×周岁数)± x。式中“t”表示总天数，“x”表示除周岁数以外的天数。例某人1935年10月15日出生， 要计算1987年1月29日的这天生物节律，t=(365.25×52)-259=18734(天)。
(2) 再算“余数”，将前算得的总天数分别除以33、28、23(它们分别是智力、情绪、体力 节律周期的天数。)然后得到余数。注意必须用手算，而不要用电子计算机计算。 18734/33=567……23(智力钟余数) 18734/28=669……2(情绪钟余数) 18734/23=814……12(体力钟余数)
(3) 当把余数求出之后，如你只需要了解计算日处什么期(高潮期、低潮期、临界期)，最简便的方法是采用“周期天数除以2对照法”，又叫半周期法： 33/2=16.5……(智力钟半周期数) 28/2=14.0……(情绪钟半周期数) 23/2=11.5……(体力钟半周期数) 将“余数”与半周期数作比较，若余数小于此种生物钟的半周期数，此生物钟运行在高潮期；若大于半周期数，运行在低潮期；若接近半周期数或整周期，以及余数为零者，则为临界期。了解自己“智力、情绪、体力”三节律的运行周期，可在高潮期最大限度发挥自己的优势，在临界、低潮期早作准备，以防不测。
上例，智力钟余数：23＞16.5为低潮期；情绪钟余数：2＜14.0为高潮期；体力钟余数12＞11.5，数字接近半周期，为临界期。
人体生物钟三节律周期理论是指一个人在自身“水平线”上的波动。当人体三节律处于临界期或低潮期，人确实会感到智力下降、情绪欠安和体力易疲劳感，但人是有理智的，有责任感的。我们了解自己的临界期、低潮期，对它没有恐惧的必要，更不要以生物钟低潮期或临界期为借口。为了降低事故发生率，把处于节律双重、三重临界日驾驶员换下来干其他工作，或提醒他谨慎驾驶，以高度责任感来克服临界日的不适。当然高潮期的驾驶员麻痹大意，以为乱开车也不会出事故，这是绝对错误的。

生物钟老化机制至少包括以下几个方面：
(1)生物节律振幅减小。各种组织器官功能减退，例如，神经组织萎缩导致神经传导速度减慢，消化吸收功能减弱，肝脏解毒功能减退；心肌萎缩，心功能减退，如老年人醛固酮、睾酮、黄体生成素昼夜节律振幅明显减小或消失。生物钟处于高潮期，还可抵消这些功能减退，但处于低潮或临界期，则有病变及死亡的危险。
(2)生物节律稳态遭到严重损害。夜班工人体温、血压夜高于昼，睡眠昼夜颠倒，日积月累，使生物节律一定程度损害。
(3)同步因子(生活习惯、光照周期定时进餐)作用的减弱。由于退休，长期生活习惯因改变而不适应，户外接受日光时间减少，干扰了情绪节律，机体衰老与同步因子削弱是有关的。

人与自然界是一个统一的整体。人们只有顺从它的变化及时地作出适应的调节，才能保持健康。天地四时气候变化规律有着春温、夏热、秋凉、冬寒以及春生、夏长、秋收、冬藏的天地大经。贤人长寿秘诀是按照天地、日月、星辰的自然运行规律，适应阴阳升降变化，“春夏 养阳，秋冬养阴”的养生方法，使之长寿健康。历代长寿老人均具有起居，饮食规律的生活。尽管现实生活中常常有些事不尽人意，但长寿者由于保持乐观情绪，正确对待和处理矛盾，使生活节律中同步因子不断维持动态平衡，这对延缓衰老有着不可估量的回春作用。

❸ 突然意识自己曾经引以为豪的编程其实是一种工具，这是一种悲哀吗

罗曼•罗兰说过一句话，可能不太适合回答这个问题，但我觉得还是有必要写在这里：世界上只有一种真正的英雄主义，那就是在认清生活的本质之后依然热爱生活。或许你发现酷酷的python作为工具，大部分时候做的都是一些excel表操作，微信好友数据分析，爬网页，或许你发现成就了许多大神的各种开源项目。

比如springboot，最后只是在互联网公司的服务器上做做增删改查，或许你发现刚开始学习C#时带给你很多成就感的winform，wpf，blazor，相较于各种开源的UI框架和成熟的java生态体系，并没有啥特殊的，或许你发现，曾经在一块单片机上点亮一堆LED灯泡时的成就感，在嵌入式开发者眼里啥都不算。

❹ 研究思路与实验数据

4.3.1.1 研究思路

研究思路如图4.4所示，首先对原始高光谱影像进行小波包1～N层的小波包分解，把影像从时域变成频率域，获取各分解层的高频系数矩阵，然后对此矩阵进行奇异值特征矩阵求取，得到各层高频系数矩阵的特征矩阵。建立分解层判定函数C（r，k），利用特征矩阵，计算C（r，k）函数在各个分解层处的值，并根据这些值反演回归曲线方程y（x），求y（x）二阶导数y″（x），以此寻找y（x）拐点（突变点）位置。当分解到第N层时，y″（x）正负符号发生变化，就把第N－1层作为最佳分解层数。然后根据软阈值降噪确定最佳分解层数的方法来验证上述算法的正确性。最后再对另外高光谱影像运用此方法，来对新方法进行普适性检验。

4.3.1.2 实验数据

本实验采用的研究数据为美国的机载可见光红外成像光谱仪（Airborne Visible/Infra－red Imaging Spectrometer，AVIRIS）采集的数据，如图4.5所示，它可以获得224个连续的高光谱波段，波段范围0.4～2.45μm，像元的空间分辨率为3.5m，波段宽度为10nm。该影像包含飞机场、金属材料、裸地、植被等地物信息。该影像经过了美国ENVI遥感影像处理软件ACORN大气校正和反射率定标，使像元的DN值范围为0～10000，相应的反射值范围为0～100％。

❺ 新手怎么学习数据分析

第一方面是数学基础，第二方面是统计学基础，第三方面是计算机基础。要想在数据分析的道路上走得更远，一定要注重数学和统计学的学习。数据分析说到底就是寻找数据背后的规律，而寻找规律就需要具备算法的设计能力，所以数学和统计学对于数据分析是非常重要的。

而想要快速成为数据分析师，则可以从计算机知识开始学起，具体点就是从数据分析工具开始学起，然后在学习工具使用过程中，辅助算法以及行业致死的学习。学习数据分析工具往往从Excel工具开始学起，Excel是目前职场人比较常用的数据分析工具，通常在面对10万条以内的结构化数据时，Excel还是能够胜任的。对于大部分职场人来说，掌握Excel的数据分析功能能够应付大部分常见的数据分析场景。

在掌握Excel之后，接下来就应该进一步学习数据库的相关知识了，可以从关系型数据库开始学起，重点在于Sql语言。掌握数据库之后，数据分析能力会有一个较大幅度的提升，能够分析的数据量也会有明显的提升。如果采用数据库和BI工具进行结合，那么数据分析的结果会更加丰富，同时也会有一个比较直观的呈现界面。

数据分析的最后一步就需要学习编程语言了，目前学习Python语言是个不错的选择，Python语言在大数据分析领域有比较广泛的使用，而且Python语言自身比较简单易学，即使没有编程基础的人也能够学得会。通过Python来采用机器学习的方式实现数据分析是当前比较流行的数据分析方式。

对大数据分析有兴趣的小伙伴们，不妨先从看看大数据分析书籍开始入门！B站上有很多的大数据教学视频，从基础到高级的都有，还挺不错的，知识点讲的很细致，还有完整版的学习路线图。也可以自己去看看，下载学习试试。

❻ 如何评价微软研究院开发的AI量化投资平台Qlib

列式存储算标配，天生支持多线程不错，但哪些场景有效还是未知数。最有趣的是他们搞了一套表达式引擎和缓存，你可以把布林带这样的计算交给底层引擎去完成，然后把表达式的计算结果缓存下来，缓存的数据和其他因子数据等效访问。这个方法大大简化了算法研究中的数据生成过程，还是很棒的。遗憾的是这套框架目前支持的数据类型还不够，除非你只用价格这样的数量数据，文本数据、非标准化的数据没办法纳入框架。整体而言还算不错的尝试，但性能好不好还是要看模型使用的算法。研究过许多量化平台的存储底层存储，大多都用的现成的HDF5或者bcolz，稍微厉害点在bcolz上改改，性能也基本就到极限了，但加上其他非标准化非价格数据的存储，整体速度会被拖慢几个数量级。而微软对AI的底层基础设施要求非常清楚，就是快且灵活，只有这样才能满足算法飞轮的快速运转，才能成为真正的生产力工具，目前是没有工具能达到这个要求的，我自己也搞过两次，都失败了，要兼顾的地方太多。这套系统相比国内外的其他系统而言算是一大进步，但也算不上多创新，不过至少可以期待。