怎样判断一个问题是否可以采用机器学习的方法来做
有很多图表尝试描绘什么样样的数据量，什么样的任务应该采取什么方法，看上去还似乎能把啥都概括一遍。然而，我打赌这些表其实都是不完善的。具体问题基本只能靠具体分析。抱歉。这个回答啥也没讲。
■网友
个人经验是，深度学习适合那些传统领域难以用形式化方法论克服的问题。首先：人设计用算法解决问题都需要将问题对象形式化定义出来，而形式化的细致程度取决于定义“problem solved”的标准。由于某些事件解决需要的形式化定义超出了人力所能及的形式化系统的范围，那么基于形式化系统定义的算法就面临了玻璃天花板。所以解决问题的根源就是更新问题的形式化定义，找到一个拥有更低形式化需求的算法。明显的例子如16年的ai围棋大战。本质上这个问题被DL解决就是因为在使用DL的时候，这个问题的形式化定义的难度就被简化了。比如DL之前解决象棋问题，人也需要判定问题的形式化（事实上最早的机器学习概念就是脱胎于跳棋AI的研发），有些问题得到解决其实只要基于很简单的形式化定义就够了，比如象棋跳棋的问题建模，但是到了围棋，由于这个游戏的特性，导致了传统定义象棋跳棋盘面优势的目数定义是非常弱的，所以这个问题离解决所需的形式化需求更高（除了定义目数，还要定义更多“优势”建模），一大群科学家最头大的是怎么把很多大师都说不清的“大局观”形式化定义出来，然而那些看不见摸不到的“道”是玄学，说不清的东西就不可能寄希望于人形式化。然而机器学习的强项就是数据驱动的特征抽取（只需要输入和训练目标就能抽取出数据中对完成任务有关的潜在特征），alphago解决围棋就是用深度学习里面的神经网络KO了传统形式化定义难以建模的“盘面优势判定”和“估值函数”。所以你判断一个问题值不值得用深度学习，就先缕缕问题的思路：1，形式化定义问题，并保证你的形式化能达到你预期对问题的解决。2，形式化定义出解决上面形式化处理后的问题的算法，依然是保证你能达到预期的解决。只要你想通了某类问题（定义或算法）形式化就是存在障碍（比如判断照片美不美，自动识别的图片够不够标准，自动生成的语言是不是通顺....都是说不清道不明的），那么深度学习就是克服形式化障碍的最大杀器，就值得你用它重新思考一下问题的定义和解决。
■网友
判断一个问题需不需要使用机器学习技术有以下3个关键指标:
【怎样判断一个问题是否可以采用机器学习的方法来做】 潜在规律: 机器学习的目的是为了从数据中学到潜在规律. 机器学习不能无中生有, 你需要处理的问题必须有某种潜在规律存在. 比如根据一个人的面相判断这个人是否是罪犯, 您觉得这个问题有潜在规律吗?
问题难度: 机器学习面临的问题通常是NP难甚至更难, 如果是简单的问题, 则不需要机器学习. 比如我们要计算图的最短路径, 我们用经典的图论中的算法就可以解决, 不需要机器学习.
数据: 当特征信息或者样本信息不充分时, 机器学习将束手无策. 比如对于地震预测这个问题, 有潜在规律(地震受地壳运动影响), 问题难度很高(无法用通常算法解决), 但是我们没有充分的数据, 目前在地震预测方面还没有行之有效的解决方案并不是因为机器学习做不了, 而是数据太少无法做.
■网友
经验。（不是开玩笑
推荐阅读
- 聪明人养花，这3种“花”怎样也要养一盆，每年能省不少医药费
- 同比■同比增长7.1%！2021年的第一个节你花了多少钱？
- “他是我第一个会说普通话的老师”：一对师生折射青海山村蝶变
- 有必要重新开个C店吗
- 互联网怎样解决“家政服务上门速度慢”的问题
- 怎样看待从1月8号起，QQ钱包开始提现收费
- 银行it人怎样转型
- 大学再有三个月就结束了，没学到知识，参加一个软件测试培训机构好吗
- 汽车|长安UNI-K又将开创一个新的"引力"纪元？
- 汽车|冬天怎样让车内温度快速升高？座椅加热的最佳使用方式二，外循环的作用总结