好奇心是一个强大的动力，你可以为你工作。
需要了解更多或了解是我们都有不同程度的根深蒂固的人类特征。
在这篇文章中，我想与您分享机器学习的三个方面，这些方面可以激发我的好奇心，让我们了解更多。
像我一样，你可以使用那些让你了解机器学习的方面作为你可以重新访问的试金石，以便重新点燃你在这个领域学习的几个月和几年的激情和兴趣。
没什么东西跟它一样了
机器学习很有吸引力，因为没有什么比得上它了。
您无法通过其他领域的方法获得机器学习方法所看到的功能和结果，如果可以的话，您可以称之为机器学习。有两个因素使机器学习方法与其他方法不同：
- 它们是从数据中学习的程序
- 它们是制作解决问题的程序的程序
从数据中学习的程序
机器学习很有吸引力，因为程序可以从实例中学习。
根据您收集的数据，机器学习方法可以自动分析和学习已存在于该数据中的结构，以便为您要解决的问题提供解决方案。
从数据中学习的程序
照片归功于Riebart，保留了一些权利
你可以编写可以学习的程序，这简直太棒了。如果您考虑一下，当您编程时，您正在学习如何解决问题，并且解决方案在您完成的程序中具体化。每个方法，甚至每个条件分支，都代表了来自更大整体的微观问题。认为您可以采用自动化该过程的方法令人兴奋。
想想其含义。
例如，当问题发生变化时，您不会重构程序，而是收集更多数据并重新运行机器学习方法。这是从传统编程中解决问题的完全不同的思考方式。
你的注意力转移到更清晰的是什么，你的自动化如何。
程序制作程序
机器学习很吸引人，因为你正在编写编写程序的程序。
您可以考虑将机器学习方法作为程序运行而产生的工件或模型。就像您在了解问题和设计解决方案后编写的计算机程序一样，机器学习模型捕获了为解决正在解决的高阶问题而需要执行的所有微决策。当您对已收集的数据运行机器学习程序时，它会为您创建一个知道如何解决问题的程序或模型。这真太了不起了。
请记住回到垃圾邮件过滤示例。这是一个非常具体的问题，虽然很复杂，但实际上归结为一个程序必须做出的决定：是垃圾邮件还是非垃圾邮件？虽然我们可以将机器学习方法视为制作程序的程序，但是由此产生的程序专注于已经明确定义的特定决策问题。一个决定性问题，对于您手动编写要解决的程序而言过于繁琐。
重要的是要记住您对机器学习方法提供的功能的期望，并在选择要通过机器学习方法解决的问题时调节您的热情。传统节目仍然是一个重要的地方。机器学习解决了我们不能或不想手动编写要解决的程序的问题。
在这篇文章中，你了解到机器学习很有趣，因为没有其他类似的研究领域。你学到了两个可以激发人们对该领域的好奇心的观点：
- 机器学习是从数据中学习的程序
- 机器学习是使程序解决问题的程序
网友评论