最近好像又发现了一个定律，自从开始关注机器学习，好像整个世界都在聊机器学习啊、AI啊、深度学习了？
最近自己看见好多问题，就好像手里拿着一把锤子，看什么都是钉子，就好像机器学习能解决所有的问题一样，好多公司也都好像也在抓着这么一根稻草，真的是这样吗？机器学习，AI有我们想的这么好吗？
但至少就我这三四个月的学习，以及参考了很多位大大的意见。我的看法是：并不是这样，AI不能解决所有的问题，它依然还有很长的路要走。
但是机器学习确实给我提供了一个不一样的思路去解决问题，我觉得这是它带给我的最不一样的地方。
机器学习几乎所有模型的套路其实用一句话就能描述清楚了。
数据清洗，然后特征提取，进行模型假定，接着进行参数训练，然后进行预测。
难吗？其实不算特别难，至少对于刚刚入门的我来说是这样，可能毕竟还没有到达各位大大那样的思维境界。
就好像很多人问我大数据开发难吗？我觉得不难。只是可能这些东西跟我们之前的开发认知上有一定的偏差，人为想象它很难罢了，绝大部分人还是不愿意走出自己的舒适区的。
而且这上面几个步骤，在大公司里可能每个步骤都有特定的同事在处理，一个人只处理比较少的内容，但久而久之，必定生疏。
那么机器真的在学习吗？还是我们在学习？
机器学习只是机器在人的特定的业务需求下，在特定的假设中，去寻找到符合我们假设的参数得到的模型，从而对未发生的事情进行概率预测。
用人话来说就是，我知道它应该大致遵循这个规律，但是这个规律的详细参数是怎样呢？我不知道。但是我不管，我就要知道，破机器你去帮我跑跑跑算出来。
Q：学机器学习数学要求很高吗？
A：入门简单掉库嘛，不用很高。深入做调优做提升做贡献，必须是。
Q：有什么事情是机器学习做不到的吗？
A：有，吃喝拉撒生老病死
Q：那机器学习涉及哪些内容呢
A：自己瞅瞅，我说出来估计天亮了。
长图预警，机器学习大家族。
Q：学机器学习最难的是把所有的算法学会吗？
A：机器学习最难的部分是业务落地。现成的方法能够解决绝大部分的问题，花时间在分析业务目标可能会更有效。
你涉及的业务可能也就涉及到其中的两三个算法，用最简单的模型去试试看，可能比用复杂的模型更加有效。比如分类问题，用决策树和SVM能解决大部分的问题。比如回归问题，那么线性回归的几个Boss都能解决你的问题。
尊重奥卡姆剃刀原则，没事别把神经网络啊深度学习啊搬出来。
据我所知，目前它们应用在声音， 图像这类维度特别高的场景比较合适，又有多少业务场景涉及到这一类呢？绝大部分都是有监督的分类问题，少部分聚类。
Q：我完全不会数学，咋办咋办。
A：人生苦短，我用Python，直接调用现成的机器学习库去。但还是把数学捡起来比较好。
Q：那我完全不会英语咋办？
A：呃，那没辙了，好好学英语吧。想看翻译后的paper，估计得很长时间以后了，还是劣质版的。
那么机器学习对于我们来说应该是什么呢？
解决问题的另外一个思路罢了，共勉，掰掰。
以上都是个人见解。
以上。
给IOS大大准备的高清大图
