【譯】看清機器學習的真面目

原文：Get Over With the Machine Learning Hype

做者：sapySaptarshi Chatterjee

譯者小聲bb：

原做者表達了對機器學習強烈的嗤之以鼻，甚至還使用了一些奇怪的詞彙（大霧）。

不過撇開原文極端的我的態度，文章對機器學習的總結仍是很到位的，本文是原文的部分翻譯，截取了其中我的認爲有價值的部分，基本保留了原文的觀點，可是去除了比較激烈的言辭，整體上仍是有利於你們對機器學習有一個更加系統的認識：機器學習很強大，但也並非無所不能。對原文觀點有興趣的，能夠前往原文連接。

原文以下

如今是2019年9月26日。好像如今的每一場技術討論，若是一我的想讓本身聽上去很酷，就會說出「機器學習」這個詞，期待着可以征服這場討論。

我就是其中之一。我想讓個人生活更精彩，因此放棄了高薪職業，轉而去攻讀機器學習碩士學位。我對這個決定並不後悔，可是我卻發現機器學習很是使人失望，因此最終我改變了我專業方向。

當你在徹底理解機器學習的那一天，你對於機器學習的幻想就會隨之結束。根本就沒有任何機器學會了任何事情。把這個領域稱爲「機器學習」真是一件神奇的事情。

你可能據說過，機器學習能夠治癒癌症，能夠開車，能夠代替人類本身寫代碼等等等等。記住個人話——這些都是是辣雞

截止2019年9月，機器學習主要只作了4件事。

1. 迴歸任務

給定一組數據，當有新的數據行被加入時，機器學習能夠預測，這個新加入行的某些缺失值的可能值。

a b 2
b c 3
x d ?
複製代碼

2. 分類任務（監督學習)

給定一系列的對象和一系列的分類，咱們已經知道哪些對象屬於哪些分類。機器學習能夠預測，一個未知類別的新元素，它是屬於這一系列分類裏的哪一類。

例如，奧迪和寶馬屬於「汽車」類別，波音和空中客車屬於「飛機」類別，若是我如今給出了泰坦尼克號，機器學習有很大機率會把它分類爲「飛機」，由於泰坦尼克號的重量，高度，成本等更像是一座飛機。但是機器學習永遠沒法判斷它其實是一艘船，由於咱們最初給出的分類裏沒有一個叫作船的東西

3. 非監督學習（一般也用於分類）

給定一系列的對象，和想要分類的數量n。機器學習能夠把相似的對象分爲到一組，一共分爲n類。

再例如。我如今要把奧迪，寶馬，波音，空客以及泰坦尼克號進行分類，如今我告訴神經網絡有2個分類集。他頗有可能會預測奧迪和寶馬屬於一類，空客，波音，泰坦尼克號屬於第二類。可是，它不能說出第一類和第二類實際上指的是什麼，須要人指着他們說——嘿，這是汽車。固然我也能夠告訴它咱們要分爲三類，泰坦尼克號極可能會被分到第三類，由於它的特徵與其餘物體徹底不一樣，可是，機器學習永遠不會告訴你，它是一條船。

4. 強化學習

若是你的問題有一個最終目標（像是贏得下棋比賽），你能夠設法爲每個可能的步數設置分數，像是「好棋」和「壞棋」，好棋分配獎勵點數，壞棋分配懲罰。那麼你設計出了一個系統，它可讓你用最大的可能性贏得比賽。（至於如何判斷好棋仍是壞棋， 那就是算法上的事情了，和機器學習的自己沒有什麼關係）

以上能夠說是目前機器學習的所有了。

那既然如此，人們說他能夠幫助咱們實現自動駕駛，或者檢測癌症呢？

你能夠在幾千條人類的健康狀況數據中，標記出某個病人患有癌症，或者某個病人是健康的。如今，若是給出了一個新的病人記錄，那麼咱們就可使用分類算法來預測它是屬於癌症組或健康組。

或者，咱們把駕駛汽車的任務分解成數千個子步驟，好比向右移動，向右移動，結合道路情況，機器學習就能夠預測汽車下一步應該採起什麼步驟。你可能想到了，和機器學習相比，這個任務更須要的是電子和機械工程方面的創新。

機器學習只是一臺計算機執行一些算法，並提供一些輸出，在任什麼時候候，它都不能控制咱們或者統治世界。

機器學習是計算機的算法，離散數學，和機率論的結合。若是咱們把大量的數據餵給它進行計算，他能夠給出一些模擬真實世界的機率值。可是，認爲它會改變世界的假設，實在是太誇大其詞了。