machine learning難點在哪？

1樓：

我學了力學、熱學、電磁學，也覺得物理毫無難度，找不到物理的難點在哪；

我學了數學分析、線性代數、概率統計，也覺得數學毫無難度，找不到數學的難點在哪；

你學了幾種簡單的機器學習方法，就覺得machine learning不難，找不到ml的難點在哪。

一方面，你學的是牛人們提出的經典理論，學起來當然簡單；

另一方面，你看到的只是冰山一角。

但是，你真的可以提出自己的理論和方法解決科研界尚未解決的問題麼？

又真的能用你覺得簡單的大佬們提出的理論和方法解決實際問題麼？

2樓：

當前所有ml/ai演算法都面臨的乙個難點就是泛化(generalization)。

btw, 一般不說supervised/unsupervised ml 因為ml的範圍很廣，不僅僅包括 supervised/unsupervised learning

（同umich 可面基， intro level的課不會講太深的，可以上一下545或者special topics或者6-level的課，純數學理論，我上到懷疑人生，stat/math也有一些與ml理論基礎相關的課

3樓：臉雲

學個演算法是不難的，實際投入使用時的特徵工程和計較0.1%的效果提公升稍有點點難，簡單的套現有模型解決不了，需要改良或者發明新方法就有點難了。

4樓：錢鑫

因為你提的這些演算法很符合直覺啊，符合直覺的東西當然會覺得簡單。

就好比給了你一套手術器材，教了你如何給人做手術，給了你乙個病人（理想資料），你會覺得簡單，因為一切都很符合邏輯。

現在問題是，給你的可能是乙個毒液，乙個幻視，或者乙個不肯脫鎧甲的鋼鐵俠。

當然最大的難點是窮，算力不夠。

5樓：[已重置]

這就對了啊，ML的門檻不高就是個事實啊，至少基本思想的難度並不高，就看你是否想到了而已。

當然，我不是說做ＭＬ的不用腦子，解決具體的複雜問題的時候肯定還是需要很多技巧，發展很多新方法，難度就在於怎麼找到這些解決方案，但是一旦這個方案找到了，其難度（至少在理解層面）應該也不高，至少目前的技巧都沒啥難理解的。學習和理解ＭＬ真的不難，發展其方法有點難。

在這個領域，學了基礎知識馬上上手做應用的人最多，因為這是最容易上手的途徑；尋求現有方法背後的可解釋性和規律性的工作就難得多，做的人就少了；從理論角度對其進行整體的分析描述最難，這個做的也最少。