最近网上经常有人说数据科学家是一个可有可无的职业，引起大家很多焦虑。Meanwhile，数据科学家在Facebook工作得却特别爽 — 工作价值、存在感、话语权、影响力、主动性，都非常高。

但是这些并非来自于强制的「安排」，而是自然的「结果」。我们一起总结出来四个方面，分别是Infra、文化、组织结构、商业模式，导致了数据科学家在Facebook能更好地产出更有意义的分析，更好地提升自己的影响力、以及进阶自己的职业。

那就来一探究竟吧！

这期视频介绍了五类人工智能的应用，从牛叉到傻叉。也详细解释了一下为什么他们的效果好和不好。

其实归根结底，还是要了解人工智能适合做什么，明白技术的原理。最后找到适宜的应用。那些傻叉应用，无一例外都是不懂装懂，或者揣着明白装糊涂的人，去借着人工智能的热度来做无用功罢了。

人工智能在媒体描绘下无所不能，但是现实里，发展了十几年的语音助手，只在开关等、查天气等有限场景下真的有用。

业界共识是，按照现有模式积累更多数据和场景，并不能让我们实现范式突破，从弱人工智能进化到强人工智能。

这期视频就把几个媒体炒作带来的普遍认知误区跟大家聊清楚，包括为什么图灵测试不顶用；对话机器人做不出来；人工智能的应用局限在哪里，又再哪里能创造价值，等等

数据科学里的鄙视链的最顶端是机器学习，但是数据科学家真的适合专精机器学习吗？

在我看来，机器学习里真的有革命性的深度学习，瓶颈和回报都在「工程」而不是「科学」。视频里从成因、现状、未来进行了总结，请配合之前上传的鸭哥深度学习科普视频一起食用。

来自鸭哥：一直想介绍一下对火爆的deep learning的一些科普向观点。比如这玩意到底为什么work，为什么就火了，啥时候work，啥时候不work，有没有有意思的思路。不是一个严谨的技术review，就是单纯的回顾历史探讨直觉。准备了个一小时的slides，先讲个十分钟的预览版看看。更详细的版本下次一定放出来。

鸭哥B站链接：https://www.bilibili.com/video/BV1Fb4y1D7M1

深度学习听起来很玄乎，有的人说不过是统计，有的人说是人工智能，终将取代人类。其实这都是缺乏了解导致的。

这期视频就试图用最简单的方法讲清楚深度学习模型到底的能力边界在哪里，和其牛逼之处在哪里，希望能给你带来一个内行视角。

开始聊数据了，第一期聊一下分类，这样聊起来有个框架。三个大类分别是data engineer；data scientist；data analytics

重点聊一下什么是好的和不好的机器学习科学家，数据分析师又有什么价值。

这期视频讲三件事。第一件是在Clubhouse时候发现很多在校生小伙伴对提升简历的误区 — 把太多时间花在细枝末节上，而忽视了对自己竞争力的提高。这里就讲一下怎样的简历才有竞争力，以及如何提升自己竞争力

第二件就是官宣一下自己频道的正式名字 — 「课代表立正」

第三件是预告接下来的几期或者十几期视频。终于鼓起勇气去分享自己专业的内容了。会分为三加一：人工智能、产品、增长；以及理解互联网产品和生意模式的元框架。

挺散的一期视频，如果你想读博士，或者在读博士，那这视频可能对你有点用。

在亚马逊里面有一群小众神秘的“经济学家”，顶着看起来牛逼闪闪的title，不知道成天都在从事什么样的勾当。

作为前亚马逊经济学家，这期视频就聊一聊经济学家在亚马逊都做什么，发挥什么样的价值。

之前在知乎也写过一篇文章介绍，链接：https://www.zhihu.com/question/62934105/answer/203940716