避免机器学习的3个常见错误

我是基于云的机器学习和深度学习以及AI的忠实拥护者。 毕竟，您不能不成为一个极客，不要幻想与可以回答问题并进行竞标的人工智能存在进行对话！

就是说，我还看到基于云的机器学习和深度学习一遍又一遍地误用了。 大部分都具有简单的修复程序，并且基于云的机器学习肯定会保留下来。 但是，请明智且适当地使用它。

[机器学习入门： 什么是机器学习？ 从数据派生的软件，进行了解释。 • 如何开始机器学习 。 • 软件工程师的机器学习技能 。 • 为什么要使用Python进行机器学习 ]

这是我所看到的三大经常性错误。

1.数据不足，无法对知识模型进行培训

没有任何学习的机器学习是毫无价值的。 机器学习的真正用例是将算法应用于大量数据，并且出现了某些模式，这些模式已成为基于机器学习的应用程序的培训。

因此，没有数据，也没有学习。 尽管机器学习应用程序可以随着时间的推移收集数据并变得更智能，但是它需要一个起点，在起点上有足够的数据来教导系统首先如何思考。

例如，有些在医院运行的机器赚钱系统可以告诉员工您住院期间可能死亡的阴谋。 如果没有至少100,000个数据点，您可以指望这种可能性是0或100％-无济于事。

2.在不需要的地方使用机器学习

这是我见过的最常见的失败，导致公司在应用程序中使用机器学习的开发成本是开发成本的三到四倍，这是绝对没有理由的。机器学习系统在许多用例中根本没有提供任何真正的优势。

程序逻辑在大多数情况下都运作良好，因此为会计系统或计划系统建立知识库是头等大事。 更糟糕的是，生成的应用程序效率低得多。

3.不了解性能影响

在应用程序中嵌入机器学习系统有时可以使它们对企业更有价值。 但是，它也会破坏应用程序的性能。

想想看：嵌入式机器学习服务在跨数据运行算法时可能会有几秒钟的延迟。 如果此应用程序应提供几乎实时的响应，则考虑到延迟响应会导致生产力下降，因此机器学习的任何价值都会Swift消失。

[在InfoWorld上深入学习机器学习： 11种必备的机器学习工具 。 • 掌握机器学习的13个框架 • 揭秘了机器学习管道 •回顾： 6个机器学习云 • 您应使用哪个Spark机器学习API？ ]

相关视频：机器学习和AI破译

通过围绕机器学习和人工智能的炒作，我们的小组讨论了该技术的定义和含义。

From: https://www.infoworld.com/article/3285969/3-common-machine-learning-mistakes-to-avoid.html