正确使用 Scrapy 自带的 FilesPipeline?
业内对于以上关系还有不同的见解,比如认为深度学习有部分内容在机器学习范畴之外,此处不深究。 01 机器学习与人工智能 “人工智能”一词出现在1956年的达特茅斯会议上,当时人工智能先驱的梦想是建造具有人类智能体的软硬件系统,该系统具有人类的智能特征,而这里所说的人工智能为“通用人工智能”。 这样的人工智能梦想曾在影视作品中大放异彩,如电影《星球大战》中的C-3PO机器人具有人类的理性和思考能力。不过,迄今为止,这种高层次的推理和思想仍然难以实现,退而求其次,目前能够落地的都属于“狭义的人工智能”,如人脸识别等。 我们将机器学习描述为实现人工智能的一种方式方法。机器学习是基于已有数据、知识或经验自动识别有意义的模式。最基本的机器学习使用算法解析和学习数据,然后在相似的环境里做出决定或预测。简言之,即基于数据学习并做决策。这样的描述将机器学习与传统软件或普通程序区分开来。 机器学习过程中,并没有人为指示机器学习系统如何对未知环境做出决策或预测,这一过程由机器学习中的算法从数据中习得,做出决策的主体是机器学习算法,并且决策或预测是非确定性的结果,一般以概率的形式输出,比如80%的可能性是晴天。
与之不同的是,常规的应用程序需要软件工程师一句句地编写代码(特定的指令集),指示程序或软件做出确定的行为,比如输出0和1分别表示注册成功和失败。做出决策的主体实际是人,程序只是执行动作的工具。正因如此,机器学习可归为间接编程,与之对应的是常规编程。 浏览这些机器学习专家帖时,我就感到很疑惑,为什么有很多人从一开始就想学习机器学习?主要原因可能是他们并不了解机器学习工程师的实际工作内容。大多数机器学习工程师并不从事通用人工智能或自动驾驶汽车等工作。 机器学习也不像那些营销号说的那么容易掌握。在当前大的经济环境下,“样样通但样样不精”可没什么前途。那为什么有那么多人想学呢? 我上大学的时候,梦想成为一名机器学习工程师。听起来好像很难、很有挑战性,但很有意思。上大学之前,我的梦想是成为一名iOS游戏研发人员。 如果那个时候有人告诉我ML工程师的一天是如何度过的,可能我就去研发iOS游戏了。别误会,我对自己的职业非常满意,但现在的职业选择并不像以前那样非好即坏。 为什么呢?因为写一个iOS游戏代码和训练一个机器学习模型、开发一个后端应用程序或前端应用程序一样,都很有趣,也都很有挑战性,去问问顶级科技公司的工程师你就知道了。 大学期间,我是这样想的:机器学习看起来很难,所以找工作应该会更容易、工资也应该更高,未来更有保障(网络开发很快就会自动化),而且很有趣。事实证明我想错了。我来给大家挨个解释一下。 1.机器学习很难
大多数互联网营销号宣扬:机器学习真的很容易!只需下载一个巨大的数据集,从教程中复制10行Python代码,你就入门啦!话虽然不假,但很难想象有人会花钱雇你做这种工作。所以你需要更深入的学习。 (编辑:通化站长网) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |