1. 機械進修意味著從數據中進修，而AI呢是一個比擬炫酷時興的詞。

　　機械進修基于如許的假定：我們可以經由過程將準確的數據放到準確的算法中去練習處理一系列龐雜的成績。當你須要融資或許宣布產物的時刻可以絕不遲疑的稱之為人工智能（AI），然則你心里須要明確如今AI是一個簡直可以代表一切時興用詞。

　　2. 機械進修包含數據和算法，但最重要的部門照樣數據。

　　機械進修算法特殊是深度進修最近幾年來獲得了極年夜的勝利，然則你須要明確的是數據才是使機械進修成為能夠的癥結身分。你可使用簡略的算法完成機械進修，然則沒有好的數據你將步履維艱。

　　3. 假如沒有年夜量的數據，那末你照樣安心的應用簡略的模子吧。

　　機械進修的義務是從數據中練習出一種形式，摸索由參數界說的模子空間。假如你的參數空間太年夜的話，模子就會在練習數據上涌現過擬合，并使得模子掉去泛化性。 關于過擬合的具體說明須要許多的數學推到的，然則你須要記住的是，模子越簡略越好。

　　4.機械進修的才能只能達到練習數據所能供給的程度。

　　“無用輸出，無用輸入”很好的反應了機械進修的局限性。機械進修只能在供給的練習數據中發明形式，不克不及夠平空進修出新形式。關于相似分類的監視進修義務來講你須要魯棒的搜集準確標注的特點豐碩的數據來作為練習數據。

　　5.只需練習數據具有代表性的情形下機械進修才會有用。

　　就像教課書中已經教會我們的一樣“曩昔的表示其實不是將來成果的保證”，機械進修只能在于練習數據同散布的數據上有用。你須要對練習數據和現實數據之間統計上的紕謬稱性堅持足夠的警醒，同時須要堅持模子賡續地被練習讓它不落后。

　　6.機械進修中最龐雜的任務來自于數據轉換。

　　在瀏覽文獻的時刻你會看到許多目眩紛亂算法，你或許以為機械進修最重要的任務就是選擇算法和調理參數。但真實的情形是：機械進修中須要做的最多的任務就是數據清洗和特點工程，你須要將數據的原始特點轉換到能更好的表現個中信息的新特點上去。

　　7. 深度進修是一項反動性的技巧，但卻不是包治百病的靈丹妙藥。

　　近年來深度進修被捧上神堂，遠遠跨越了其他的機械進修算法。個中的緣由之一就是深度進修可以主動完成傳統機械進修算法中須要特點工程能力完成的義務，特殊是在圖象和聲響數據的處置中更是如斯。然則我們須要明確深度進修不是萬金油，你只能在必定的規模內運用這項技巧，同時你也須要在數據清洗和變換上花上許多的精神才行。

　　8.機械進修極易遭到誤操作的影響。

　　“機械進修算法不會殺人，而人類卻能夠會自投羅網”。當機械進修算法掉效的時刻，很少由于算法自己的的毛病，而年夜多半情形下倒是工資的毛病形成的。許多情形下你在練習數據中不當心引入了以為毛病，或許引入了誤差和其他的體系毛病。你須要時辰堅持疑惑的立場來應用機械進修算法，并在運用的進程中停止嚴厲的檢討。

　　9.機械進修會在不經意間完成自我預言。

　　在許多機械進修的運用中，明天的決議計劃會影響將來搜集的練習數據。一旦機械算法模子引入了必定的模子誤差，那末它會連續的搜集新的數據賡續強化這一誤差。現實上有些如許的誤差確切會牟取人名貴的性命。每個機械進修從業者都要在心中銘刻：不要發明自我完成的預言！

　　10. AI不會具有自我認識，也不會突起摧毀人類的。

　　使人驚奇的是，在機械進修如斯廣泛的明天，很多多少人卻照舊用科幻小說和片子中的情節來界說和熟悉AI。切實其實，科幻小說可以啟示人的發明力，但卻不該該如斯輕信科幻小說，乃至于我們對真實的世界發生誤會。明天的世界曾經有許多須要我們去存眷的風險，從心懷叵測的險惡的人到無辜的被濫用的機械。所以請年夜家不要再去擔憂“天網”和超等人工智能的涌現，而是應當用謹慎的心態去對待機械進修，讓它加倍安康的成長為人類辦事。