有什么靠谱点的副业？（微软Azure云业务在2018年的增势如何？）
本文由世外云(www.shiwaiyun.com)小编为大家整理，本文主要介绍了有什么靠谱点的副业的相关知识，希望对你有一定的参考价值和帮助，记得关注和收藏网址哦！
有什么靠谱点的副业？
2018年暑假开始在搞副业，现在四年多已经赚了24.5万左右，比较满意。让我告诉你这件事。我主要做图书馆工作。
之所以开始这样做，是因为我之前是事业单位的合同工，主要工作就是整理各种资料。说白了就是写了，整理了检查的各种材料。众所周知，实际完成的工作和上级要求的标准肯定有一定的差距。如何应对这种落差，就是去写，去杜撰。写各种计划、方案、总结。当我可以的时候。;我不会写，我会在网上搜索。当我发现他们都需要钱的时候，我就想，我工作还算轻松，一般都是写各种材料。我也可以把它们拿到网上卖，于是我开始了我的创作之路。
我的平台主要有百度文库、稻壳巴巴、原创、Douding.com、金锄。这些网站中最赚钱的是百度文库，因为它归百度所有，有流量优势。我有两个库号，收入22万多。我还是很满意的。在百度文库里，还有很多月入过万的大神。接下来盈利的应该是稻壳巴巴，17000多。剩下的平台很少，收入几千块钱，但都是一样的内容，所以并不 如果你放更多的平台也没关系。
让 今天就和大家分享一下吧。
微软Azure云业务在2018年的增势如何？
正在努力争取美国云计算市场的头把交椅，该公司及其投资者对其目前的强劲增长感到兴奋。根据Seeking Alpha的报告:与去年同期相比，Azure 美国的销售额再次增长了75%以上。
不过Azure目前只能排第二。要赶上排名第一的亚马逊AWS还有很长的路要走。
在给美国消费者新闻与商业频道新闻的一封电子邮件中，Gartner分析师Lydia Leong声称:
大多数客户的AWS交易价格在500万到1500万美元之间。许多交易超过3000万美元，远高于Azure(通常低于1000万美元)和GCP(通常低于500万美元)。
此外，AWS正在进行的重新谈判的数量可能会导致竞争对手重新评估自己的销售模式。
有趣的是，虽然年度增长放缓，但微软正在积极投资——，亚马逊AWS和Azure云服务的交集。换句话说，微软正在受益于亚马逊。
当然，我们不得不注意两家公司产品的相对规模，以突出Azure最近的增长。以下是Seeking Alpha提供的营收和份额图。
微软在给美国消费者新闻与商业频道的一份声明中表示，它对云市场的进展感到满意:
我们的云业务继续快速增长，Azure在第一季度实现了收入。上升了76%。我们为客户提供差异化服务，推动他们的业务成功，进而推动云服务的消费增长。
我们与星巴克、大众、壳牌、沃尔玛、雪佛龙、宝马等全球品牌进行了大量Azure业务合作。
从亚马逊AWS和custom
还需要买云服务器么？
，如果你只是个人卖家，你想试试水。不需要。但是以后如果要增加账户或者员工数量，就比较麻烦了。建议尽早使用。从方便性上来说，跨界卫士，紫鸟之类的浏览器都挺好的。
3-@ .com·伊格洛维科夫是卡格尔的一代宗师。曾获Carvana影像掩蔽挑战赛冠军，Dstl卫星影像特征探测挑战赛季军。他在加州大学戴维斯分校获得理论凝聚态物理博士学位，现在是Lyft的计算机视觉工程师，专注于自动驾驶。
最近，Vladimir分享了他成为Kaggle大师的经历。目前Kaggle的注册用户已经超过100万，其中拥有特级大师称号的只有124人。他们怎样才能成为世界顶尖的1000名数据科学家？让 让我们看看他说了什么。
我叫弗拉基米尔。在我本科毕业并获得理论物理学位后，我搬到了硅谷从事数据科学工作。我 我目前在Lyft公司的自动驾驶部门工作，研究与计算机视觉相关的应用。
在过去的几年里，我花了很多时间参加关于机器学习的比赛。这是因为，一方面我觉得这本身就很好玩，另一方面我觉得这是一种非常高效的提高数据科学技能的方法。当然，并不是所有的比赛都是容易的，我可以 我不能在每次比赛中都取得好成绩。但时不时参加这些比赛让我不断提高自己的相关技能，甚至最终获得了Kaggle特级大师的称号。
我要感谢@Lasteg，他建议我参加这次AMA(向我提问)并在Reddit，kaggle，scienc:航空图像车辆检测和分类比赛中获得第二名。
在Kaggl: Plan:获得了从太空了解亚马逊的第七名。
2017年获得第一名echo 9-@ . com amp；;美国胃意向性图像分析(giana)。
在miccai 2017:机器人仪器分割中获得第一名。
在Kaggl: car vana图像掩蔽挑战赛中获得第一名。
在Kaggl: IEEE amp；amp；获得第九名；;美国信号处理学会-照相机型号识别。
荣获CVPR 2018 Deepglobe第二名。道路提取。
荣获CVPR 2018 deep globe . building detection第二名
荣获CVPR 2018 Deepglobe季军。土地覆盖分类。
获得2018年第三名echo 9-@ . com amp；;美国胃意向性图像分析(giana)。
问:除了数据科学，你在生活中还喜欢做什么？
当然，我喜欢徒步旅行和攀岩。如果你早上去Mission Cliffs攀岩馆，见到我可以打个招呼。
我也喜欢跳舞，尤其是蓝调。旧金山 s Misiion Fusion和南湾Fusion是我经常去的地方。
旅行对我来说很重要。春天去了白俄罗斯，摩洛哥，约旦。9月，我在芬兰、德国和奥地利呆了三周。当然，2018燃烧人是一年中最好的活动。
问:你是如何一边工作一边花大量时间做kaggle的？
答:对我来说，虽然没有工资，但是参加Kaggle比赛是我的第二份工作。我这样做是有充分理由的。对于积极的Kaggle参与者来说，在他们的领域追求变革是很常见的。我也不例外。当我从学术界转到工业界时，我开始参加比赛。我需要一个高效的方法，尽快熟悉ML需要解决的问题，掌握那些工具，把思维拓展到机器学习的新领域。
后来在Bidgely开始第一份工作，参加了更多的Kaggle活动。有一段时间，我在研究信号处理的任务，同时，为了参加比赛，几乎整个晚上都在处理表格数据。那段时间，我的工作和生活失去了平衡，但我获得的知识是值得的。
后来我准备跳槽后，加入了TrueAccord，在那里做了很多传统的机器学习任务。但是我没有。;我不想停止研究Kaggl《So Good They Can't Ignore You: Why Skills Trump Passion in the Quest for Work You Love》和《Deep Work: Rules for Focused Success in a Distracted World》。
在工作日，我通常6点起床。;早上打卡，然后去攀岩馆。这可以帮助我保持身材，让我一整天都保持清醒。之后，我开车去上班。我们的自动驾驶工程中心位于帕洛阿尔托，这让我有点担心，因为我更喜欢住在市区。开车很有趣，但是通勤很无聊。为了让通勤时间更有效率，我会在车上听有声书。当然，你可以 开车时，我不能集中精力看书，但这并不妨碍我阅读。;开车时听这些关于文学、软技能和商业的书总是有好处的。。
我试图在工作和生活之间取得良好的平衡，但我失败了。当然，我花了很多时间和我的朋友一起参加不同的活动，他们中的许多人都在旧金山。同时，我还需要学习；我也想保持机器学习的状态，我可以 不要把目光局限在工作中遇到的问题上。所以我有时候会在晚上看技术文献，或者写竞赛、辅助项目、开源项目的代码。
说到开源项目，我想借此机会推广一个图像增强库，它是由Alexander Buslaev、Alex Parinov和Eugene Khvedchenia基于我们对视觉挑战的研究共同创建的。
如果你不 don’不要细说细节，你可能无法解释清楚这个问题:
比起MacBook，我更喜欢Ubuntu i3电脑，因为它能让我的效率提高10%。
我很少用Jupyter笔记本，只用于EDA和可视化。我在PyCharm上写了几乎所有的代码，然后用flake8检查，然后上传到GitHub。很多ML的问题都很相似。找一个更好的代码库，而不是重复自己的代码，然后思考如何最好地重构。虽然这在刚开始的时候很慢，但是以后会加快你的进度。
我 我正在尝试编写单元测试。每个人都在讨论单元测试在数据科学中的重要性，但是很少有人花时间去写它。Alex Parinov写了一个很好的文档(echo 8-@ .comalbuminations.readthedocs.io/en/latest/writing _ tests.html)教你如何从简单的测试做复杂的测试。您可以尝试一下，然后在您的学术或Kaggle ML流程中添加更多测试。
目前，我 我正在试用模型版本控制工具DVC，我希望它能提高我的ML过程的重复率和代码重用率。
我很少用鼠标。所以有时候我需要在页面上写热键，然后尽可能多的使用。
我不 不要使用社交网络。
我一天只查看几次邮件。
我甚至会在早上列出一天的任务清单，然后去解决。我利用特雷罗来做这件事。
我赢了。;不要把一天划分得一团糟。许多任务需要集中注意力，但它 总是转换焦点是没有用的。
这大概是我的一些工作标准。
问:你如何跟上这一领域的最新研究？
答:单词 "跟上 "对我来说也不准确。机器学习领域最近非常活跃。关于它的论文、比赛、博客、书籍太多了，不可能全部浏览。其实遇到一些问题，我会关注最新的研究，深入挖掘。解决这个问题后，我会转向另一个问题。因此，我只知道很多我亲身经历过的那些领域。同时，我对自己研究过的所有问题都有很深的专业知识，这些问题的清单很长，而且还在增加。这一事实也使我确信，我编写并保存在私有存储库中的经验和代码将帮助我快速开始任何新的与ML相关的任务。
另外，这也意味着我对如何处理很多问题有了一个大概的了解，这样下次面对类似问题的时候就会胸有成竹。
我也参加过NIPS、CVPR等人工智能会议，这些会议上展示的研究成果很能代表我们目前的研究水平。
问:四五年前，获得非机器学习(比如物理)的博士学位对用人单位是有利的。但现在情况似乎发生了变化。与主 对于机器学习工程师/开发人员的职位，IT/ML行业更愿意选择后者。至于研究岗位，我 我不确定。你拿到了物理学博士学位，然后转到了机器学习领域。我觉得你的经历可能适合回答这个问题。
非机器学习博士毕业后想转机器学习行业怎么看？这有助于获得企业中的研究职位吗？与硕士相比有优势吗？;机器学习的s学位？
这个问题很难，我不知道。;我不知道答案。
物理是一门伟大的学科。即使在过去，我也可以在物理和计算机科学之间选择。即使我知道我最终会转到计算机科学，我仍然会选择物理。
当然，最主要的原因是我对物理和自然科学更感兴趣。机器学习能否教授浩瀚多彩的宇宙运行原理？不，但是物理可以。不止如此。我的转型之路相对容易的原因之一就是物理。这门学科给我的不仅仅是量子力学和相对论的知识，还有数学、统计和编程的技能，有利于向其他领域的转化。
物理学以结构化的教你如何在严谨的理论和实验之间进行转换，这也是机器学习从业者的必备技能。另外，自习组是不可能学习物理或者高数的。这也是我的公司信条，即当我们理解如何将高等数学应用于机器学习时，深度学习的下一个大突破就会到来。现在在计算机视觉领域有大一水平的数学知识就够了。
这些都意味着目前数学不是拦路虎，这也是为什么掌握数学/物理/化学等STEM学科的额外知识对于解决大部分商业问题几乎没有用处，也是这些学科的毕业生转行的原因。他们有很多专业知识，有博士学位，在学术界呆了很多年，但是他们可以 I don’我找不到有趣的高薪工作。互联网上到处都是这种类型的博客帖子。
另一方面，能够编写代码在任何地方都是必要的，这也是为什么潜在雇主几乎总是在懂数学的人和会编写代码的人中选择后者。。
但我认为这种情况会改变。不是现在，而是将来的某个时候。
需要注意的是，你读的论文和上的课可能与你在行业中需要的技能没有直接关系。那个 没错，但是。;这是无害的。
通常，在行业中担任数据科学家或软件开发人员所需的技能可以通过自学获得，而不是在大学里。人们在工业界学到的大部分东西都可以通过在一家公司全职工作获得。
此外，它 it’找工作的同时写理论物理论文和学习数据科学对我来说压力太大了。
那时候，我没有。;我没有所有必要的知识，而且我也没有。;我不理解硅谷的运作以及他们对我的期望。我基本就是一张白纸。我唯一做的就是不断的给不同的公司投简历，不断的面试，从每次失败中吸取教训，然后继续，直到面试成功。
记得有一次面试官问我毕业论文的主题是什么。我在研究量子蒙特卡罗。我如实回答了这个问题，然后尽力解释了它的含义以及我们为什么需要它。面试官看着我问道这项技术如何帮助我们提高客户参与度？」
我想说，对于非计算机专业的学生来说，最好的办法是在计算机系内部选修数据科学(DS)相关课程。业余时间学习DS/ML。好在资源很多。在自己的系里找一个想用机器学习解决自己问题的教授也是个不错的主意。在科技公司申请ML相关的实习，比全职更容易获得实习机会。
实习期结束后，转正式岗位很直接。比如我的朋友胡，他和我在同一个课题组，学的是物理。他第一在脸书实习，然后在脸书人工智能研究所获得了研究科学家的职位。
唐 不要高估专业和大学对求职的影响。企业雇佣你，主要是付钱给你解决他们面临的问题。你的学位和专业只是他们用来估计你能力的东西。如果你的简历没有。;如果不包含他们想看的内容，就很难通过HR 简历筛选，对找工作很重要的人际关系网将被削弱，但它仍然不应该 不要影响你决定学什么专业。
我的想法可能有点幼稚，但我觉得人们选择专业的标准不应该是高薪，而是激情。
问:你觉得数据科学/ML有什么有趣的地方？我已经完成了硕士课程的一半。;s学位，但我不 我不知道我将来想在ML里做什么样的工作。我和认为Algo创建和扩展是最好领域的人谈过(对于DS/ML应用，更可能是库插件和chug)。什么？;你对此有什么看法？或者职业弹性的建议？
答:我觉得DS/ML中有趣的问题和现在的主流不一样。很远。研究主流问题的人太多了。把ML应用到信用评分、推荐系统、零售，对我来说很无聊。如果你用DS/ML解决那些数学、物理、生物、化学、历史、考古、地理问题或者那些人很少用ML的问题，你可能会找到下一个属于你的紫牛。
至于职业选择，不像生物或物理，你在DS/ML中学到的技能可以很容易地从一个领域转移到另一个领域。当然，为银行或对冲基金交易开发算法和开发自动驾驶汽车不是一回事，但区别也没那么大。只要基础扎实，很快就能掌握必要的技能。
Q:30岁加入ML社团(有学习背景，但不是数学/CS)晚吗？有可能赶上末班车吗？如果是，你认为最低要求是什么？
答:当然不是。90%的ML只需要工科大学大一的数学知识，不需要很深的数学知识。DS中使用最广泛的语言是Python和r，这两种语言都比较高级，可以先从它们入手，而不是专注于技术细节。
我建议上一些DS的在线课程，然后研究一些Kaggle的问题。当然，很多概念听起来很新，但只要你保持自律和专注，你就会慢慢明白。
这里有两个关于年龄的例子:
Kale大师Evgeny Patekha岁开始数据科学研究。
羽衣甘蓝大师·拉尔科55岁开始参加Kaggle。
问:你认为技术领域的正规基础教育是数据科学和Kaggle竞赛成功的必要条件吗？你在工作经历中遇到过相反的例子吗？
答:我只能说这些是有用的，但不是必须的。很多在Kaggle成功的人都没有技术领域的基础教育背景。一个典型的例子是米克尔·鲍勃·伊里扎尔，他是一名卡格尔特级大师，但还在上高中...
但你要记住的另一件事是:你在Kaggle学到的技能只是你未来在ML行业或学术界需要的技能的一小部分。而那些在Kaggle学不到的技能，基础教育可以给你提供。
不过话说回来，即使没有高中学历，你也可以擅长Kaggle。
问:在成为Kaggle大师之前，你花了多长时间学习数据科学/机器学习？
答:我在2015年1月决定转向数据科学。之后，我开始在Cours——，而想法的数量与最终的结果息息相关。所以如果你24/7投入训练模型，你需要投入一台好机器。
经过几代的更新，我的开发硬件最后变成了这样:一个4GPU机用于高负载，另一个双卡机用于原型设计。
一台强大的计算机是不够的。你需要学习一些编程技巧来利用它的计算能力。
我从Keras转到PyTorch的一个原因是后者 当时的DataLoader更强大。
我们看到imgaug太慢了，所以我们编写了albumentations来充分利用100%的CPU能力，但是它不能 不要充分利用GPU。
如果我们想提高jpeg图像在硬盘上的吞吐量，我们应该使用libjpeg-turbo或PyVips，而不是PIL、skimageand甚至OpenCV。
其他Q:对那些从Kaggle大赛开始数据科学家生涯的人有什么建议吗？尤其是那些第一次参加比赛的菜鸟。什么？;最好的建议是什么？
答:参加Kaggle比赛的有很多种，但根据我的观察经验，获取所需知识最有效的是使用 的方法。
观看一些包括Python编程基础和机器学习的在线课程。
参加纸牌游戏比赛。如果你能编写一个从数据到提交的端到端流程，那 太棒了。如果你是新手，这个可能比较难。这种情况下可以去论坛复制粘贴别人分享的内核。
在您的电脑上运行它，生成提交内容，并在排行榜中获得一席之地。在这个阶段，操作系统、驱动程序、库版本、I/O等问题可能会让你感到痛苦。你应该尽快适应它。如果你能 我不明白什么 s是用内核编写的，它不 没关系，它 这不是什么大问题。
调整一些参数。它不 如果你喜欢，没关系。重新训练您的模型并提交预测。希望一些修改可以提高你的排名。唐 别担心，许多人都这样做。他们都在做不同的调整，而你没有。;不需要对相关知识或原理有深入或直观的理解。
为了超越你周围的人，你需要发展一种直觉，并获得什么可行，什么不可行的基础。;t.基础知识，让我们可以更智能更高效地探索可能方法的相空间。在这一步，你需要作为实验的一部分来学习。从两个方向学习。第一，像mlcourse.ai，CS231n，数学，统计学，如何写出更好的代码等基础知识。总的来说，自主学习很难，但从长远来看，它是非常重要的。第二，你会在相关问题的论坛上看到很多新名词。记住这些术语。尽量激励自己在排名中取得更好的成绩，作为学习新事物的外部动力。但是唐 不要在研究和实验之间选择。同时做两件事。机器学习是一门应用科学。
比赛结束后，虽然你付出了很大的努力，但你很可能在排行榜上拿到一个很低的名次。这并不奇怪。仔细阅读论坛内容，看看winner分享的解决方案，努力找到比以前更好的解决方案。下次再看到类似的问题，你的起点会高很多。
在多个比赛中重复这个过程，然后登顶。更重要的是，你会对许多问题有很好的解决方案，并对如何应对竞赛中遇到的机器学习挑战产生良好的直觉。
问:作为一个有物理学背景的人，当比赛更多地是关于过度拟合而不是具体任务上的实际推广效果时，你会感到沮丧吗？如果是，你会怎么做？
答:通常，你需要过度拟合数据和指标才能得到好的结果。It 没问题。人们已经对ImageNet数据集进行了多年的拟合，在训练过程中仍然会出现大量的新知识。但是你需要理解指标和数据的细微之处，这是知识的源泉。只要我能在比赛中获得新的知识，它就赢了。;不要让我因为过度合身而感到沮丧。你可能已经注意到，当你擅长一个问题的过程和思路时，这些可以作为你下一个问题的可靠基线模型，表现出一定的概括性。
问:你对Kaggle s数据泄露(如桑坦德、飞艇预测和谷歌分析)？在Kaggle比赛中使用泄露的数据是否道德？
我承认。;组织比赛很困难，所以我赢了。;当我发现数据泄露时，不要责怪组织者。而且人家用泄露的数据参加比赛，我也觉得还行。我承认数据泄露阻止了我参加挑战，但这主要是因为我可以 我不会轻易将我的知识扩展到其他挑战。我仍然认为Kaggle管理员需要创建一个可能泄露的数据列表，并在比赛前检查这些数据，以防止同样的事件一再发生。我相信他们正在为此而努力。
问:Q:Kaggle竞赛对成为DL工程师有多大用处？
答:It 这很难说。Kaggle在一些重要但非常狭窄的领域提高你的技能。这是一项非常重要的技能，对一些人来说立场可能很有用，但对别人帮助不大。至于我做过的工作，尤其是现在的自动驾驶，Kaggle技能是我从学术界和其他知识来源获得的强大加成。
但是，要掌握Kaggle技能，光有扎实的基础是不够的。有很多东西你只能从行业里学。
虽然成为一名Kaggle大师对你的工作来说不是必须的，但它并不。;这并不意味着你会做好你的工作。但我相信如果你是Kaggle Master，你的简历会更容易通过HR的筛选，然后你就有机会进入技术展示阶段。
什么 成为Kaggle特级大师后继续参赛有什么用？成为数据科学家后继续前进的动力是什么？
正如我先前所说，我不知道。;我再也不参加Kaggle了，但是我 我开始关注许多会议中出现的挑战。我们的团队在MICCAI 2017、CVPR 2018和MICCAI 2018中取得了好成绩。比赛通常包括漂亮干净的数据集，需要的清洗工作最少，让你可以少关注数据，多关注数值技术。这是你通常不会有的奢侈品。;数据选择过程通常是创建一个实用过程的最重要的组成部分。
问:你如何看待本科和研究生的学习和竞争力？什么水平才能真正掌握数据科学？
答:我不知道。;我甚至不知道是什么决定了数据科学。有很多方法可以回答这个问题，但这里我们的主题是Kaggle特级大师，所以让 让我们把第一个里程碑定为 "卡格尔大师 "。这是一个比较直接的标准，一旦你开始朝着这方面努力，你就会对这个领域有更多的了解。
问:没有数学/计算机科学或其他一些高级计算课程的教育背景，你能在Kaggle(或更广泛的数据科学领域)走多远？激情和求知欲能带你走多远？
如果你以目标为导向，愿意学习，你可以在Kaggle或任何其他数据科学领域获得最高分。最难的部分是迈出第一步。去做吧！最好的时机就是现在，因为明天通常意味着永远不会。
从来没有人问过我这个问题:你如何在特定的比赛中找到能帮助你提高成绩的人？我认为这是一个重要的话题。;目前在博客上看不到。
最常见的方法:一些朋友和同事对这个比赛很热情。他们聊这个比赛，开会，讨论问题，一起组队。有些人想做点什么；但是其他人忙于其他活动。这种团队可以前进一段时间，但它可以 不要走远。
以下几种对我和其他一些选手来说比较好:
1.写下你的或者平台上分享的重构过程。
2.该流程应该将输入数据以适当的格式映射到提交的文件中，并生成交叉验证分数。
3.验证交叉验证分数的提高与排行榜上的提高相关。
4.进行探索性的数据分析，仔细浏览论坛，阅读历届同类比赛的论文、书籍和解决方案。独立工作。
5.在某个时间点，比如比赛截止日期前2-4周，你会陷入困境。什么都不能提高你的排名。你已经尝试了一切，然后你需要一个新的想法来源。
6.这时候可以看看排行榜，和排名接近的活跃选手交流一下。
7.第一，你的预测平均值会带来一个微小但重要的提高。第二，it 很可能你的方法有点不同，而且它 分享已经尝试过或没有尝试过的想法是有益的。再次，由于比赛最初是个人单独参赛，所有参赛人员都会看数据，写流程，把比赛的重要性放在其他活动之上，被实时排行榜带来的游戏效应所刺激。
但更重要的是，人们往往会高估他们愿意花在竞争上的时间，低估他们在获得稳定的端到端流程之前必须面对的问题。创建一个有排行榜的团队可以作为一个过滤器，确保你的潜在队友与你达成共识。
在一些比赛中，领域知识对成绩非常重要。例如，表格数据和相应的特征工程或医学成像，您可以考虑与具有深厚领域知识的人合作，即使他/她没有 没有很强的数据科学背景，但这种情况很少见。
另一方面，行业组建团队的完全不同。在业内用Kaggle组队是不明智的。
下次Kaggle比赛再见！
