这些常见的机器学习误区，才是你人工智能学习路上的绊脚石

当技术，像机器学习，被炒，会有许多误解。以下是机器学习能够或不能提供的清晰视角。

机器学习已经被证明是非常有用的，而且很容易假设它可以解决所有的问题并适用于所有的情况。与其他工具一样，机器学习在特定领域也很有用，特别是对于困扰你的问题，但是你永远不会雇佣足够的人来解决，或者有明确目标但没有明显方法实现的问题。

尽管如此，每个组织都可能以某种方式使用机器学习，因为42%的高管最近告诉埃森哲，他们预计到2021年，人工智能将成为他们创新的支柱。然而，只要你的视觉能够绕过炒作，避免以下常见的误解，你就会得到更好的结果-通过了解机器学习能够和不能实现的机制。

1、常见的机器学习误区——机器学习是人工智能

机器学习和人工智能经常被用作同义词，但机器学习是从研究实验室到现实世界最成功的技术，而人工智能是一个广泛的领域，包括计算机视觉、机器人技术、自然语言处理等领域，以及不涉及机器学习的约束满足方法。把它看作是使机器智能化的一切东西。这些并不是普通人所害怕的普遍的“人工智能”——可以与人竞争甚至攻击人的东西。

注意这些流行语，使它们准确无误。机器学习是关于学习模式和预测大数据集的结果;结果可能看起来很“智能”，但其本质是以前所未有的速度和规模应用统计数据。

2、常见的机器学习误区——数据是有用的

机器学习需要数据，但并非所有数据都能用于机器学习。为了训练您的系统，您需要具有代表性的数据来涵盖机器学习系统需要处理的模式和结果。您不需要包含与模式无关的数据(例如，显示这些内容的图片—所有站立的男性和所有坐着的女性，或车库中的所有车辆，泥泞地面上的所有自行车)，因为您创建的机器学习模型将反映出这些过度特定的模式，并在您使用的数据中查找它们。所有用于培训的数据都需要正确地标注，而与您要向机器学习系统提出的问题相匹配的功能则需要做大量的工作。

不要认为你已经拥有的数据是干净的、清晰的、有代表性的或易于标记的。

3、常见的机器学习误区——你总是需要大量的数据

图像识别、机器阅读理解、语言翻译等领域的最新重大进展，是因为能够并行处理大量数据的更好的工具、GPU和其他计算硬件，以及大量有标签的数据集，包括Imagenet和Stanford问答数据集。然而，由于一种叫做转移学习的技术，你并不总是需要大量的数据才能在特定的领域取得好的结果。相反，您可以教机器学习系统如何使用大型数据集进行学习，然后将其迁移到您自己的小型培训数据集进行学习。这就是salesforce和Microsoft azure的自定义visual API的工作原理：您只需要30到50个图像就可以显示要分类以获得良好结果的内容。

迁移学习允许您使用相对较少的数据为自己的问题定制一个预先培训的系统。

4、常见的机器学习误区——人们可以创造机器学习系统

市场上有许多用于机器学习的开源工具和框架，还有无数的课程向您展示如何使用它们。但是机器学习仍然是一门专业技术，你需要知道如何准备数据并将其分割以供训练和测试，你需要知道如何选择最佳算法和使用何种启发式算法，以及如何将其转化为可靠的生产系统。您还需要监控系统以确保结果始终是相关的;无论您的市场变化还是您的机器学习系统是否足够好，您最终将遇到不同的客户群，您需要继续测试模型是否与您的问题一致。

要彻底理解机器学习需要经验;如果您刚刚开始使用API，您可以使用API预培训模型，当您获得或利用数据科学和机器学习方面的专业知识来构建定制系统时，您可以从代码中调用该模型。

以上就是《这些常见的机器学习误区，才是你人工智能学习路上的绊脚石》的全部内容，机器学习已经被证明是非常有用的，而且很容易假设它可以解决所有的问题并适用于所有的情况，环球网校小编提醒您，如果你想知道更多人工智能知识，可以点击下方资料下载链接。