想真正理解 学习？需要知道这三件事

网易科技讯12月16日消息，对于喜欢数据的专业人士来说，潜水堪称完美运动，因为收集数据是潜水的重要组成部分。慢慢地下降到深海中，你可以想象自己首次浸入未被开发的数据湖中。在成千上万的水下生物中，你可以寻找最大的鱼、最艳丽的珊瑚，这就像在庞大的数据集中寻找隐藏的洞见。

但是 并非只与深海潜水有关。作为重要的概念，它在分析和机器智能领域也变得越来越重要。人工神经网络，即模仿人类大脑建立的、处理单元（人工神经元）相互关联的计算机模型，已经出现数十年了。早期，这些神经网络通常有1个或2个隐藏神经元层组成，现在已经从浅层结构进化到深层结构，后者又被称为 学习。这种转变依赖于大规模建造大型和并行模型的成本不断下降，以及训练 模型所需大型多维数据集的日益增多。

但要想真正理解 学习，你需要首先了解这三件事：

1. 学习是机器学习分支

从本质上看， 学习隶属于机器学习范畴。但是标准的机器学习通常需要手工从数据中提炼模式，耗时费力。而 学习模型擅长于自动捕获隐藏于大数据中的复杂结构模式，在对图像、视频、音频以及文本数据进行分析时，这种能力拥有巨大优势，而依靠手工从数据中提取模式很快将达到极限。

2. 学习不只是技术动力室

到目前为止，大量学术机构和科技公司都在研究 学习，媒体对 学习相关成果的报道也日益增多，这都大大促进了 学习的普及。现在，越来越多的公司正进入这个领域参加探索。有许多报道称，数据科学家正将 学习方法应用到更广泛的行业分析领域，比如客户流失预测、金融欺诈调查、产品推荐等，传统企业对 学习的兴趣日益增加。

3. 学习的利弊权衡

企业需要了解，进入 分析领域需要权衡利弊。尽管 网络构架的精度可媲美甚至超越现有分析方式，但由此产生的模型通常是不透明的“黑盒子”,需要对其进行精调。 学习往往需要预先架构投资，以便能处理模型的复杂性。大型神经网络往往需要数小时乃至数天的训练，如果没有事先考虑或准备，这可能对数据科学团队造成巨大影响。

为分析挑战选择正确的模型不仅仅是最大化模型精度的问题，它还受限于输入数据集。当涉及到传统分析时，模型的可解释性和简单性往往比精度要求更高。而要处理大数据集，建模方法的性能和可扩展性都需要被考虑到。依赖非操作性模型协助发现洞见的要求，与全面可操作性的建模构架完全不同。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。