2022 计算机研究生，数据挖掘，计算机视觉，自然语言处理哪个就业前景更好？

题目中是列举了目前较热门的几个方向，也可以谈谈除了这几个方向，还有什么其他就业前景好的研究方向？如图像处理、脑机交互、计算机图形学等相对冷门的方向怎么样？
主要是希望读完研究生能继续从事相关方面工作，不想读了研究生出来还是找了个前端后端Web开发工作，那感觉研究生就有点白念了，只是混了个文凭

• 一、动机
  
  
  
  • 1.1 问答系统的动机？
    
  • 1.2 问答系统 是什么？
    
  
  
• 二、FAQ 检索式问答系统介绍篇
  
  
  
  • 2.1 FAQ 检索式问答系统 是 什么？
    
  • 2.2 query 匹配标准 QA 的核心是什么?
    
  
  
• 三、FAQ 检索式问答系统 方案篇
  
  
  
  • 3.1 常用 方案有哪些？
    
  • 3.2 为什么 QQ 匹配比较常用？
    
    
    
    • 3.2.1 QQ 匹配的优点有哪些？
      
    • 3.2.2 QQ 匹配的语义空间是什么？
      
    • 3.2.3 QQ 匹配的语料的稳定性是什么？
      
    • 3.2.4 QQ 匹配的业务回答与算法模型的解耦是什么？
      
    • 3.2.5 QQ 匹配的新问题发现与去重是什么？
      
    • 3.2.6 QQ 匹配的上线运行速度是什么？
      
    
    
  • 3.3 QQ 匹配一般处理流程是怎么样？ 【假设 标准问题库 已处理好】
    
  
  
• 四、FAQ 标准问题库构建篇
  
  
  
  • 4.1 如何发现 FAQ 中标准问题？
    
  • 4.2 FAQ 如何做拆分？
    
  • 4.3 FAQ 如何做合并？
    
  • 4.4 FAQ 标准库如何实时更新？
    
  
  
• 五、FAQ 标准问题库答案优化篇
  
  
  
  • 5.1 FAQ 标准问题库答案如何优化？
    
  
  

之前写了一篇文章，获得了很多读者的认同，这里也贴出来供大家讨论一下：
不困先生：六大算法岗：搜/广/推/NLP/CV/数据挖掘怎么选？先插一句题外话，“不想读了研究生出来还是找了个前端后端Web开发工作，那感觉研究生就有点白念了，只是混了个文凭“，这个观点，我是不认同的。就不谈分布式、数据库、云计算这些开发岗了，就算前端后端web开发的工作，让一个硕士生来做也完全不是屈才。下面是我之前写过的一篇回答，表达了我对算法岗和开发岗的看法：
既然计算机硕士大部分都干开发那硕士白读了吗？学一堆理论和研究。跟开发毫不相干?评论有很多骂我的，也有很多挺我的，我不求说服大家，只想表达一下自己的看法。
然后回到问题，数据挖掘，计算机视觉，自然语言处理这三个方向，具体的分析可以看我上面的文章，这里直接说结论：

• 如果想读博做研究，选自然语言处理
  
• 如果想就业：
  
  
  
  • 你还是一个小萌新，有大把的时间学习：选计算机视觉
    
  • 你已经要准备找工作了：选数据挖掘
    
  
  

在我看来，应该从以下3个方面对这3个方向进行比对：
1、目前研究现状。首先是科研人员数量，CV和NLP这几年你追我赶，新idea和风口也不断往外蹦，数据挖掘体量我感觉浮动不大，不过现在很多传统行业也逐步进行数据挖掘了。国网现在就很多data mining的活。其次是项目数量，CV的活大多精而专，NLP和data mining的活比比皆是，如果是找工作的话，都不难找。最后是paper数量，近几年CV和NLP的数量远超数据挖掘。
2、开发情况。首先是开发难易程度，我觉得应该是data mining<NLP<CV。data mining你要会一些machine learning的算法，NLP的话就是分词、词性分析情感分析等等了。CV就是去燥精度识别障碍检测等等了。其次是社区开源情况。这三个方向目前开源的社区都很多，国内不行就谷歌上去找找，总有一个回答适合你的问题。
3、项目落地情况。这个直接关系着你是否可以继续走下去 or 中途下车。最近大厂毕业季听说了吧？本质原因无非就是支撑业务线的idea看不到前景。说回这三个方向，如果只是这三个方向的基础项目，落地没问题，如果是假大空，不敢保证。啥是假大空？举个例子，「用CV处理外星人照片，自动区分物种性别」，诸如此类。
总之不管什么方向，学踏实了，找工作都不会发愁。
<hr/>我是大雄 @李大雄 ，一个混在国家电网的数据科学家，你的点赞、收藏和关注是对我最大的支持！

图片

   什么是 vision-and-language？我们知道 Computer Vision（计算机视觉）和 Natural Language Processing （自然语言处理）一直是两个独立的研究方向。计算机视觉是一门研究如何使机器 “看”的科学，而自然语言处理是人工智能和语言学领域的分支学科，主要探索的是如何使机器”读”和“写”的科学。他们相通的地方是，都需要用到很多机器学习，模式识别等技术，同时，他们也都受益于近几年的深度神经网络的进步，可以说这两个领域目前的 state-of-art，都是基于神经网络的，而且很多任务，比如 CV 里的物体识别检测，NLP 里的机器翻译，都已经达到了可以实用的程度。于是从 2015 年开始，有一个趋势就是将视觉与语言进行一定程度的结合，从而产生出一些新的应用与挑战。比如 image captioning，visual question answering 等比较经典的 vision-and-language 任务。
    随着这些工作的提出，vision-and-language 也变成了一个越来越热门和主流的研究领域。这张图显示的是 2019 年 CVPR paper submission 的统计，我们可以看到 vision-language 占了所有 submission 的 4%，甚至比比较传统的 tracking，action recognition 都要高。说明越来越多的人在关注并且研究这个方向。
本资源整理了视觉与语言（vision-and-language）相关的各个子任务及相关的模型，经典的论文，综述，数据集等资源。

    资源整理自网络，源地址：https://github.com/sangminwoo/awesome-vision-and-language
内容涉及多次跳转，点击文末“阅读原文“”查看资源详情。
目录



图片

内容截图



图片



图片



图片

这三个领域相比：

• 从研究人员的多少（蛋糕有多大）来说，数据挖掘似乎蛋糕最小，然后CV和NLP不相上下。
  
• 从入门难易程度来说，NLP最难，数据挖掘次之（但现在的数据挖掘一大部分约=ML），CV最简单。注意，我说的是入门。
  
• 从发paper的期刊会议来说，数据挖掘最少，CV和NLP都比较大。当然，范围最大的是CV，基本上ML AI CV的刊物都可以发。
  
• 从开源项目、找现成代码难易程度来说：CV代码最多最好跑、NLP和数据挖掘不相上下。
  
• 从需要的计算资源来说：CV和NLP主要用GPU多（如果做transformer的话都要很多，否则cv少一些），涉及机器学习部分的数据挖掘也用GPU多、传统数据挖掘用CPU多，相比之下最不需要特别多资源。
  
• 从找工作来说：其实都很卷啦。
  

最后，真的不考虑一下迁移学习吗？它可以在上述三个领域中应用，自成一体，也是近年来比较热门的研究领域：
王晋东不在家：《小王爱迁移》系列之33：迁移学习领域名词解释大全王晋东不在家：简明手册重磅更新：《迁移学习导论》成书上市啦！