传统的机器学习算法没落了吗?

Mars 提问于 5个月前

相比于深度学习,传统的机器学习算法难道就此没落了吗?还有必要去学习吗?

回答 1
1 个回答
5个月前

自从 MIT Technology Review(麻省理工科技评论) 将 深度学习 列为 2013 年十大科技突破之首。加上前些年 Google 的 AlphaGo 与 李世石九段 惊天动地的大战,AlphaGo 以绝对优势完胜李世石九段。人工智能、机器学习、深度学习、强化学习,成为了这几年计算机行业、互联网行业最火的技术名词。

其中,深度学习在图像处理、语音识别领域掀起了前所未有的一场革命。可以说,以 卷积神经网络(CNN)为代表的方法在图像处理领域已经取得了统治地位。同样的,以 递归神经网络(RNN) 在语音处理方面也大放异彩。同时,如 SVM 之类传统的机器学习算法逐渐变得不那么火热了。

但是,传统的机器学习算法难道就没有必要去学习吗?并不是的!

我们来看下《机器学习》(周志华)的部分目录:


 第三章:线性模型 
 第四章:决策树 
 第五章:神经网络 
 第六章:支持向量机 
 第七章:贝叶斯分类器 
 第八章:集成学习 
 第九章:聚类 
 第十章:降维与度量学习 
 第十一章:特征选择与稀疏学习 
 第十二章:计算学习理论 
 第十三章:半监督学习 
 第十四章:概率图模型 
 第十五章:规则学习 
 第十六章:强化学习


深度学习属于其中的神经网络一章,从目录可以看出,深度学习只是机器学习的一小部分!

就目前而言,深度学习占统治地位的领域多数是 CV 和 NLP ,而深度学习是数据驱动类型的,他的学习训练往往需要大量的数据来做为燃料。如图像分类任务中就需要大量的标注数据,因为有了 ImageNet 这样 百万量级,并带有标注的数据,CNN 才能大显神威。但是事实上,在实际的问题中,我们可能并不会有海量级别的、带有标注的数据。数据量过小容易导致深度学习算法的过拟合,这种时候DL就显得无力了。

在小数据集上,深度学习还取代不了诸如非线性和线性核 SVM、贝叶斯分类器方法。实际操作来看,SVM 只需要很小的数据就能找到数据之间分类的超平面,得到很不错的分类结果。

所以,既然能用 Linear regression、Logistic regression 能解决的问题,那这时候还干嘛一定要用深度学习算法呢?况且,机器学习算法中,常常绕不开过拟合的问题,所以根据奥卡姆剃刀原则:如无必要,勿增实体。这时候,能用简单的模型解决的问题,就不要用复杂的模型。

回复
需要登录后才能回答,快点击 来分享你的回答吧~
相关推荐
0 关注
0 收藏,129 浏览
邀请回答
分享到