针对不同任务如何挑选机器学习模型

其实这个题目其实早就想探讨一下了，因为工作有时候会在这件事情上花费很多时间。这两天坐着思考了一下，这个问题其实应该分几个维度来讨论。
当然，这里只讨论工业界。

区分目的

首先需要明白，你是要做什么，是要快速落地，还是提升模型效果，还是讲故事，还是做算法可行性研究，都有不同的套路，以及工作中各种形形色色的约束。

讲故事--PPT型

工作中，总要给客户或者领导讲各种的故事，做个看起来fantastic的ppt，以前还没工作多久的时候，对这种事情嗤之以鼻，现在啊，赚钱嘛，不丢人。
因为现在不像以前，故事不是带有AI，听众就使劲鼓掌，让人信服。时代变了，还是得拿点东西出来给别人看的。如何讲一个好的技术性故事，根据我的经验，一定要在吹牛逼和实用性和普及性中间平衡。
举个例子，NLP相关的任务，你给别人讲故事，不要一开始就把rf，word2vec就掏出来，你得讲Transformer，elmo和BERT，但是你又不能讲GPT-2和ERNIE2这种最新模型。
不是因为GPT-2和ERNIE2不好用，甚至ERNIE2对于中文的效果是非常好的，而是说这两个模型对于专门做NLP的人熟悉且好用，而Bert这个名字流传度更广，业界出的成果更多，开发起来更便捷（github上的各类demo源码更多，便于落地），但是相对于word2vec这种老古董更先进。
综合这样，东西可以落地，效果也查不到哪