1樓：
文化這又和地形人口產業結構分不開
不可能把地都移平了
要不自己發明乙個
其他都是翻譯理解的問題，這裡面有瓶頸相比之下也不是什麼重點
2樓：
現階段機器學習的其中兩個主要特徵是:基於原始資料空間(e.g.
pixel space)、基於相關關係.這與人類學習和認知過程中相應的兩個特徵:基於高層次抽象空間(high-level abstract space)、基於因果關係不同.
這兩點可能會是機器學習或者更廣泛說人工智慧未來發展的兩個突破口,分別對應的領域/方向為disentangled representation learning和causality.
請介紹Causality和Disentanglement作為機器學習的promising領域? - 知乎 https://www.
3樓：大器不早成
機器學習的瓶頸在於資料，是否有高質量的全量多維資料。這些資料的獲取會異常困難，目前機器學習應用最好的領域就是網際網路，因為有源源不斷的資料流產生，可以進行各種更高維更大資料量的分析計算。
4樓：樊二爍
這個問題問的好，一直也在思考什麼是知識，什麼是資訊，包括智慧型的形式化定義是什麼。圖靈機定義了計算是什麼，熵定義了資訊的度量方法，那麼什麼是資訊呢。我認為憑藉一台圖靈機不能實現智慧型
5樓：shuson
ML中最重要的是不斷的train train train，和養乙個孩子，從識字發音開始train一樣。
瓶頸在於，搞ML的都沒孩子，或者有了孩子也沒時間train
6樓：大懶蟲
不存在普遍適用的模型，每個模型都有自己適用的場景，也就是說只有最適合的模型，那如何根據資料選擇模型那就是一門藝術了。。。。
7樓：吳斌
現有統計機器學習的模型演算法，缺乏通用性，因為過度依賴訓練資料，有些模型的訓練過程也不透明，實際上沒有可靠的復用基礎，你無法知道，換乙個場景，你現在的工作是否有效。
8樓：clvictory
感覺比較重要的一點是機器學習模型的引數依賴於trial and error，而這個調整過程又很依賴於自身的經驗，機器學習好的都是調的一手好參。。。
9樓：
我感覺，現在機器學習的挑戰是如何從海量資料中學習目標知識。以下也許是很好的入口：
Z.-H. Zhou, N.
V. Chawla, Y. Jin, and G.
J. Williams. Big data opportunities and challenges:
Discussions from data analytics perspectives. IEEE Computational Intelligence Magazine, 2014, 9(4): 62-74.
10樓：
俺是門外漢，說下個人想法，專家輕拍磚。。
對於機器邏輯，最缺的是創新、總結、容錯率，即機器只能按固有模型優化，不能自我提公升，突破性高階；有了BUG就當機了，不會自動禁用部分程式做應急處理。
破解的難點在於情緒和神經網路，人和動物都是通過情緒反應，來拒絕接受一些資訊以維持原有內在邏輯的穩定性的，所以即使有很多BUG依然可以持續執行。所以是不是可以通過多BUG穩定執行來求突破？
依照目前的機器邏輯沒覺得有可能突破，得有另一套邏輯從底層破解，重新架構才能完成。
比如機械人和機械人之間沒有記憶延續，而我們通過基因可以直接承載祖輩趨吉避害的資訊，從而加快學習程序，比如有人天生怕蛇，有人一直不吃魚等等。
11樓：
模仿與逼近人腦我覺得會是機器學習的終極形式，但是現在由於生物科學發展的限制，人們對人腦的機理只窺得冰山一角。
現在最有希望的機器學習模型DeepLearining也正是基於對人類視覺系統的訊號處理的研究發現：可視皮層是分級的。
所以可見，對人腦理解的乙個小足進步都會推動機器學習乙個大的發展。
現在受到計算機體系限制，即使是用大型分布式電腦也無法模擬人腦的神經網路模型，現在大型的DNN模型有上億個神經元已經算大的了，可是人腦的神經元個數現在被估計在150億數量級上。
另外一點是：
經過測試人腦神經元彼此傳遞訊號的速度其實並沒有計算機模型中兩個神經元傳遞速度快，但是效果卻遠遠好於計算機神經元模型，那是因為人腦神經元之間是高度並行化的，這一點現代計算體系根本無法突破，只能期待有生物特性的計算機了。
12樓：
1.不知道什麼特徵是重要特徵。所以像deep learning很有用，是因為它能自動學習特徵
2.現實世界中有label的資料太少，所以限制有監督學習演算法。
3.計算複雜度和資料量
4.區域性極小值問題
機器學習領域有哪些適合新手學習的 GitHub 專案？
星空 請點開看，絕對好教程。Hands on Machine Learning with Scikit Learn,Keras and TensorFlow 上面是今年5月份剛出的第二版，新增加了keras,並用了最新的tensorflow2.0，你也知道的，前幾天谷歌才發布了tensorflow2...
機器學習必備的數學基礎有哪些？
圖靈教育 去年谷歌發布了機器學習速成課，但學習此課程有前提條件，其中就有數學 代數 變數 係數和函式 線性方程序，例如 y b w1x1 w2x2 對數和對數方程序，例如 y ln 1 ez S 型函式 線性代數 張量和張量等級 矩陣乘法 三角學 Tanh 作為啟用函式進行講解，無需提前掌握相關知識...
機器學習，資料探勘的書有哪些？
袖裡乾坤 Kevin Murphy 和周志華比較現代 王禮 資料分析方面較經典的書 輸入淺出資料分析 深入淺出統計學 精益資料分析 Excel應用大全 等 資料探勘較好的入門的書 資料探勘概念與技術 Clementine資料探勘方法及應用 信用風險評分卡研究 機器學習 R語言實戰 利用Python進...