機器學習教會我們的六件事

機器學習 (ML) 已經存在了幾十年。深度學習的出現, 讓機器學習不再局限於學術界，而是進入到更主流的領域當中。

深度學習可以被看作對大腦神經元網絡的抽象過程，其使用到的激活函數和反向傳播等數學原理的背後，實則是模擬了動物大腦學習和產生信息過程。 深度學習的巨大成功，揭示了從人類本身獲得啟發並形成算法具有巨大價值。

相反從機器學習的實踐中, 我們有什麼值得學習和啟發的東西嗎？ 機器學習不僅囊括了人工神經網絡和深度學習，而是一個包含有大量智能算法的領域，它通過演繹和模擬複雜的經驗過程, 完成對未知的事物的預測。

以下是我總結的 6 個從機器學習中明白的重要道理：

1. 相信多樣性的力量 (隨機森林 Random Forests)

​

隨機森林通過匯總不同的決策樹來達到更穩定的表現, 而每個決策樹都負責解決其中的部分問題。獨木不成林。

同理，當來自不同背景的人和群體協同和合作時, 往往能得到驚異的好效果。如果僅僅局限在和自己相似的小群體中，我們真正的潛力反而會被限制。

2. 從錯誤中吸取教訓（梯度提升 Gradient Boosting）

不同於通過組合多個分類器，梯度提升方法利用誤差，並通過不斷地疊代來改進基礎分類器。

像梯度提升一樣, 我們需要認識到人無完人, 每個人都會犯錯誤。重要的是找出錯誤, 從中汲取教訓。

與其被成就所牽著走, 不如專注於對生活的每一個階段糾錯。

3. 問題都有解決方案 (核方法和支持向量機 Kernel methods & SVM)

核方法與支持向量機是一對好搭檔。它們能將分布在低維空間的數據映射到高維空間中，從而實現數據的分類。

生活不只有玫瑰和彩虹。它也給我們帶來難以令人費解的難題, 沒有任何現成的解決方案。在絕望的時刻, 能站在未知的更高維度去尋找解決辦法，這是非常令人欣慰的。

保持鎮靜, 從更高的維度思考。

4. 接受改變個人認知 (貝葉斯定理 Bayes theorem)

貝葉斯定理通過計算相關事件的條件機率來更新其先驗機率。同樣, 我們都對人、文化和社會有先入為主的認知和評判。這些認知來源於我們的社會、經濟和人口狀況。

當我們處於與我們舊認知相悖的新境遇, 有意識地提升和改變自己是至關重要的。

永遠不要畏懼改變。

5. 基於當前情況做出決定（梯度下降法 Gradient Descent）

從回歸方法到人工神經網絡，梯度下降法是許多機器學習方法的重要組成部分，其始終沿著梯度下降的方向最快地到達預期的目的地。

我們經常遇到需要我們在眾多替代方案中選擇一種方案並作出決定的情況。這些決定都對將來有潛在的影響。梯度下降為我們提供了解決問題的捷徑，基於當前的情況提供最佳選擇，而不過度考慮將來的過程。

不要等待最理想的方案，你永遠無法預測未來。

6. 關係隨著時間的推移而變化 (k-平均算法 K-means)

​K-means算法通過對數據進行分配並反覆疊代，從而達到聚類的目的。

人際交往和情緒在建立我們的社交關係中起著至關重要的作用。當關係緊張時，我們會感到沮喪。我們應該意識到再強大的關係也可能面對改變或結束，即使你沒有做錯任何事，就像在K-means中一樣。

學會接受事實並珍惜現在所愛的人吧。

作者： Praveen Bysani 翻譯：實驗樓掃地阿姨

原文連結：https://towardsdatascience.com/6-things-we-all-need-to-learn-from-machine-learning-e88eac480b57