3、机器学习与深度学习入门指南

机器学习与深度学习入门指南

机器学习的适用与不适用场景

深度学习如今无处不在，以至于有些业内人士会将人工智能（AI）和深度学习混为一谈。为了清晰起见，我们用 AI 指代用计算机模仿人类行为的普遍问题，而用机器学习或深度学习来表示从示例中提取算法的数学技术。

机器学习是一项专门技术，有些场景并不适合使用它，比如更新数据库记录或渲染用户界面。在以下情况下，传统编程是更优选择：
- 传统算法可直接解决问题 ：如果能直接编写代码解决问题，这样的代码更易于理解、维护、测试和调试。
- 追求完美准确性 ：所有复杂软件都可能存在漏洞，但在传统软件工程中，可以系统地识别和修复这些漏洞。而机器学习并不总是能做到这一点，过于关注特定错误往往会让整个系统变得更糟。
- 简单启发式方法效果好 ：如果只需几行代码就能实现一个足够好的规则，那就采用这种方法。简单启发式方法清晰明了，易于理解和维护。而用机器学习实现的函数则不透明，并且需要单独的训练过程来更新。不过，如果要维护一系列复杂的启发式方法，那么用机器学习来替代是个不错的选择。

传统编程可解决的问题和即使使用机器学习也几乎无法解决的问题之间往往存在微妙的界限。例如，在图像中检测人脸和给人脸添加姓名标签；确定文本使用的语言和将该文本翻译成指定语言。

在一些本可以借助机器学习的场景中，我们常常还是会采用传统编程，比如问题复杂度极高时。当面对高度复杂、信息密集的场景时，人类往往会采用经验法则和叙述方式，像宏观经济学、股市预测或政治领域。流程管理者和所谓的专家可以通过机器学习获得的见解来增强他们的直