當別人在高談闊論機器學習時，你卻插不上嘴，這是一種怎樣的體驗?不懂機器學習沒有關系，但你一定要知道下面的十個機器學習基本常識。曾經(jīng)在Endeca、谷歌和LinkedIn機器學習開發(fā)的Daniel Tunkelang為我們概括總結(jié)了這十個常識。

1. 機器學習就是從數(shù)據(jù)中挖掘洞見，而人工智能是炒作。

只要使用了正確的訓練數(shù)據(jù)和算法，機器學習可以解決大部分問題。而所謂的人工智能，只不過是一種包裝。只要有助于營銷，你要把它叫作什么都可以。

2. 數(shù)據(jù)和算法是機器學習的核心，而數(shù)據(jù)更為重要。

雖然人們熱衷于研究機器學習算法，但數(shù)據(jù)才是機器學習的關鍵要素。機器學習可以沒有復雜完備的算法，但沒有高質(zhì)量的數(shù)據(jù)就不行。

3. 如果你沒有大量數(shù)據(jù)，就不要使用太復雜的模型。

機器學習根據(jù)輸入?yún)?shù)來探索模型空間，參數(shù)越多，越有可能出現(xiàn)過擬合，所以應該要盡量遵循簡單模型的原則。

4. 機器學習的成果取決于數(shù)據(jù)的質(zhì)量。

種瓜得瓜，種豆得豆。機器學習只能發(fā)現(xiàn)已經(jīng)存在于數(shù)據(jù)中的模式。比如在解決分類問題時，就要求訓練數(shù)據(jù)具有清晰的特征。

5. 只有當訓練數(shù)據(jù)具有代表性時，機器學習才能奏效。

過去不能代表未來。要時刻警惕訓練數(shù)據(jù)和生產(chǎn)數(shù)據(jù)之間出現(xiàn)傾斜，經(jīng)常性地訓練數(shù)據(jù)，避免數(shù)據(jù)模型過時。

6. 機器學習困難的部分其實是數(shù)據(jù)轉(zhuǎn)換。

機器學習的大肆炒作可能會給你造成一種印象，就是機器學習主要是如何選擇和調(diào)整算法。但實際上，機器學習工作的大部分時間花在了數(shù)據(jù)清理和特征工程上，也就是將數(shù)據(jù)的原始特征轉(zhuǎn)換成更具表示性的特征。

7. 深度學習是革命性的，但不是銀彈。

深度學習對部分傳統(tǒng)的特征工程進行了自動化，特別是在圖像和視頻處理領域。但深度學習不是銀彈，我們無法在它擅長的領域之外應用它，況且，我們?nèi)匀灰ê芏嗑M行數(shù)據(jù)清理和轉(zhuǎn)換。

8. 機器學習系統(tǒng)也是高度脆弱的。

機器學習算法不會干掉人類，干掉人類的是人類自己。機器學習系統(tǒng)如果出現(xiàn)故障，通常都不是因為機器學習算法本身，而是人類在訓練數(shù)據(jù)中引入了錯誤。要時刻警惕，軟件工程中出現(xiàn)的錯誤在機器學習系統(tǒng)中同樣會出現(xiàn)。

9. 機器學習可能在無意之中創(chuàng)造出可自我實現(xiàn)的預言。

今天通過機器學習做出的決策，將會影響未來收集到的訓練數(shù)據(jù)。如果你在機器學習系統(tǒng)中嵌入了某種偏見，它會持續(xù)不斷地生成新的訓練數(shù)據(jù)，這些數(shù)據(jù)反過來增強了這種偏見，而有些偏見會毀掉人類的生活。所以，不要讓機器學習系統(tǒng)有機會創(chuàng)造出可自我實現(xiàn)的預言。

10. 人工智能不會自我感知，也不會崛起到要干掉人類。

很多吃瓜群眾從科幻電影中看到人工智能。但要注意，我們可以從科幻電影中獲得靈感，但它們畢竟不是現(xiàn)實，我們真正要擔心的是人類無意識地在機器學習系統(tǒng)中嵌入偏見。

更多培訓課程： 成都少兒編程 更多學校信息： 成都光華童程童美少兒編程培訓 咨詢電話：