58、深度学习：大数据时代的实用指南

深度学习：大数据时代的实用指南

1. 深度学习的实际应用

深度学习近年来备受关注，因其在解决传统方法难以攻克的机器学习任务方面取得了显著成功。通过使用复杂的神经网络让计算机更像人类一样思考，机器在许多人类曾占据明显优势的任务上已迎头赶上，甚至超越了人类。更重要的是，即便在某些任务上人类表现仍更出色，但机器学习具有永不疲倦、不会厌烦且无需薪资等优势，这使得即使不太完美的自动化机器也能成为许多任务的实用工具。

不过，对于大型科技公司和研究机构之外的从业者来说，利用深度学习方法并非易事。训练深度学习模型通常不仅需要最先进的计算硬件，还需要大量的训练数据。实际上，大多数商业环境中的实际机器学习应用处于小数据或中等数据规模，在这些情况下，深度学习方法的表现可能并不优于传统机器学习方法，如回归和决策树，甚至可能更差。因此，许多大力投资深度学习的组织可能更多是受热潮驱动，而非真正的需求。

尽管深度学习的部分热度源于其新颖性以及企业领导者对人工智能取代昂贵人力的期待，但该技术确实有一些实际应用，可与传统机器学习方法结合使用，而非完全取代它们。

2. 深度学习的起步

近年来，随着新一代数据科学从业者在深度学习时代接受培训，机器学习社区出现了一种“代沟”。在深度学习发展之前，该领域的从业者主要来自统计学或计算机科学专业。早期，机器学习从业者受其专业背景影响，使用的软件和算法也各有偏好。统计学家通常更喜欢基于回归的技术和R语言等软件，而计算机科学家则倾向于使用Python和Java等语言编写的迭代和启发式算法，如决策树。深度学习模糊了这些阵营之间的界限，新一代数据科学家可能会让前辈们感觉陌生，就像他们说着不同的语言。

深度学习的发展似乎是