为什么说机器学习在很多方面被高估了?

  • 时间:
  • 浏览:0
  • 来源:贵州快3网投平台-河北快3投注平台_湖北快3娱乐平台

在Quora论坛上研究编程语言的Tikhon Jelvis回答说:我发现,机器学习在本来 方面都被高估了,无论是经验欠缺的人,还是更有害的,大伙儿儿都对你你是什么 领域投入了血块的资金。

最普遍的看法是,机器学习比实际大伙儿儿认为的更强大。机器学习只擅长于进行机器学习,而在有些领域的表现都很糟糕。但本来 你听有些人语句没办法 ,我应该 相信我应该 我放上有三个 神经网络,我应该 在任何疑问上得到有三个 可靠的出理 方案。

我主要把之类疑问归咎于大伙儿儿对机器学习领域欠缺经验以及错误认知没办法 产生的热度,但这也是有有哪些对于较常人掌握机器学习更好的人大肆宣传的结果。Karpathy的最近像病毒般传播的软件2.0本来 有三个 很好的例子:他提出了有些有趣的观点以给人留下深刻的印象,之类他说深度图学习是电脑编程的未来。这篇文章从你是什么 程度上忽略了有些利基市场(未来愿景、演讲、NLP、机器人技术)以外的疑问,而他说到的有有哪些疑问不太适合采用深度图学习你你是什么 办法。不仅仅是系统软件能出理 的疑问,大多数有经验的电脑工程师能通过写几百行代码甚至都不 比机器学习更有效的得到业务逻辑领域的出理 方案。

本来 说垃圾埋点和高级语言要能代表“软件2.0”语句,那深度图学习甚至只有否有 “软件3.0”。神经网络是“你的机器学习工具箱里的没办法 工具”,但更重要的是,机器学习本来 你的编程工具箱中的没办法 工具!

它有它的真正的后果。我看了大伙儿儿将血块资源投入到机器学习的系统中,从而得到更简单、更有效的出理 方案。让大伙儿儿来探讨关于商店里的商品需求预测疑问。我应该 试着把你你是什么 疑问当作有三个 纯粹的机器学习系统来做,本来 你你是什么 系统本来 跳出挣扎并最终失败,本来 它都要从你的数据中提取出你都要的所有形状。有本来 因素都特别要,但有些因素我太满 在我应该 实际操作的数据中观察到。大伙儿儿最好在实验上结合没办法 明确地分析一堆事情(基于价格和促销的弹性)并依赖于他人的经验(消费者时尚的变化)等进行模型设计并作出总结。

出理 有些疑问的理想系统都本来 你是什么 混合模式:基于数据的机器学习,有些明确的建模,以及能使专家和用户互动的模式。但有太满的人我太满 设计没办法 的疑问,本来 大伙儿儿把机器学习看成是你是什么 万能药,并看了构建有三个 只以得到数据为目标的黑匣子。

我对底下说到的有有哪些本来 跳出的状况我太满 说感到惊讶。无论在学术或工业领域,进行一项研究的公开秘密是,只有有有哪些要能采用并正常工作的东西要能看了光明的未来。有哪几个个团队试图利用机器学习技术出理 疑问而最终失败了?本来 你和活跃在该领域的研究人员聊天,你我太满 听到他说到关于失败的案例。(举个例子:我知道有一群人尝试过在应用tcp连接合成中对各种疑问引入深度图学习最终失败了,但这本来 我通过小道消息听到的。)

但事实上,大伙儿儿相对的高估了机器学习对产品的影响。现在本来 消费产品都以机器学习技术为核心,之类大伙儿儿要能想想Quora和Facebook的动态消息提示。本来 机器学习是你是什么 新兴的、技术含量高的技术,有有哪些产品的成功都要归功于机器学习!

但疑问是,我打赌机器学习对它们的影响是微乎其微的:大次责的效用都不 由社会需求而设计的工具来支持的。真正重要的是,Quora有有三个 自主信息流,来让用户去关注特殊的人和话题。本来 有三个 更加粗糙的算法(他说是有三个 基于启发性的规则引擎)要能拥有有三个 比Quora更好的消息流,我我太满 感到惊讶。我使用有些与Quora论坛之类的产品,但没办法 任何“机器学习”作为后台支持(比如Reddit)。事实上,我的Reddit首页在读取我关心的事情上你你是什么 栏要比Quora上做得更好!(Quora的有些设计,之类非机器学习的次责,都不 比Reddit上的更适合我。)

有一件事我之本来 很有必要探究的是有哪几个交易商店没办法 全心全意地接受机器学习。当然,都不 有些人继续用相对直接的手动调优算法来获取不干净的金钱。同样的,在规则引擎中本来 导入了专家编写的启发法,它得到的效果将出奇的好!有些策略是通过机器学习技术(也被称为“统计”)开发的,但都不 有些是基于深度图领域的专业知识而产生的。

我的观点都不 机器学习对贸易毫无用处,本来 它显然有可用之处。重点在于它并是你所期望去使用的,甚至与你所期待的相反。

最终,我认为机器学习被高估是本来 对于任何尝试在生产中采用机器学习系统的人来说,一定会发现机器学习要比看上去的繁复得多。

你本来 认为我应该 很好的利用有些你本来 听说过的机器学习算法,但在你使用的过程中,它本来 我太满 像你从博客文章或文章中所看见的效果那样好。本来 细节都没办法 写进论文,本来 它们仅仅作为专业领域的专业知识占据 。即使你考虑的疑问和你的最结速工作跳出的疑问是一样的,你仍都要花本来 时间来为你的疑问配置个性化的算法。你都要调整超参数,找到至少 的架构,以怪异的办法对数据进行预先出理 ,甚至本来 都要重新埋点你的疑问。你只有把你的疑问放上现有的算法上,本来 我应该 要么都要富于的经验,要么都要血块的尝试和错误的数据作为参照。

机器学习是一套强大而实用的技术,它要能让大伙儿儿出理 没办法 本来 无法出理 的疑问。之类,我正在开发的供应链优化系统将受益于在大伙儿儿现有的经典操作研究基础之上换成的有些机器学习系统。

但正如大伙儿儿所相信的那样,机器学习现在远没办法 像大伙儿儿想象的那样普遍、强大或有影响力。本来 我不得不进行猜测语句,我赌未来的技术值得被称为“软件3.0”,它是你是什么 有应用tcp连接合成支持的、交互式的开发工具。但这本来 本来 我一厢情愿的想法,本来 还有很长的路要走。