一. 机器学习的流程
1. 将问题表述成机器学习问题。
2. 数据的收集与处理。
3. 用数据来训练和调整模型。
4. 部署模型。
5. 根据部署的模型来收集新的数据后回到第2步继续训练模型。
二. 机器学习的挑战
1. 机器学习问题的解决:碰到较难的问题很难处理(无人自助超市、自动驾驶)。
2. 数据问题:获得大量的高质量的数据很难,和用户隐私有冲突。
3. 模型训练: 模型复杂度指数性增长,训练模型成本越来越高。
4. 模型部署: 部署之后可能需要用GPU来进行模型预测,成本太高,并且为保持实时性,需要限制模型的部署大小。
5. 监控模型:非常长期的过程,数据和用户行为发生变化,模型的预测会变得不一样。
三. 机器学习的使用群体
1. 数据科学家:做数据挖掘,训练模型,部署模型。
2. 机器学习专家:对模型进行改动开发,专注模型定制。
3. 软件开发工程师(SDE):开发维护大量模型,做数据处理和模型的训练。
4. 领域专家:对商业和产品有很好的理解,知道如何正确的将机器学习应用于产品。