注意點(diǎn)5：并不存在萬能的方法
你可能聽說過一句諺語“當(dāng)你有了把榔頭的時(shí)候，看什么東西都像釘子”，這里想表達(dá)的意思是：并不存在能夠解決所有智能應(yīng)用問題的萬能算法。
智能應(yīng)用軟件和其他所有軟件類似——具有其特定的應(yīng)用領(lǐng)域和局限性。當(dāng)面對(duì)新的應(yīng)用領(lǐng)域時(shí)，一定要充分的驗(yàn)證原有方法的可行性，而且你最好能嘗試用全新的視角來考察問題，因?yàn)椴煌乃惴ㄔ诮鉀Q特定的問題時(shí)才會(huì)更有效和得當(dāng)（達(dá)觀數(shù)據(jù) 陳運(yùn)文）。
注意點(diǎn)6：數(shù)據(jù)并不是萬能的
根本上看，機(jī)器學(xué)習(xí)算法并不是魔法，它需要從訓(xùn)練數(shù)據(jù)開始，逐步延伸到未知數(shù)據(jù)中去。
例如假設(shè)你已經(jīng)對(duì)數(shù)據(jù)的分布規(guī)律有所了解，那么通過圖模型來表達(dá)這些先驗(yàn)的知識(shí)會(huì)非常有效。除了數(shù)據(jù)以外，你還需要仔細(xì)的考慮，該領(lǐng)域有哪些先驗(yàn)知識(shí)可以應(yīng)用，這對(duì)開發(fā)一個(gè)更有效的分類器會(huì)很有幫助。數(shù)據(jù)和行業(yè)經(jīng)驗(yàn)結(jié)合往往能事半功倍。
注意點(diǎn)7：模型訓(xùn)練的時(shí)間差異很大
在特定應(yīng)用中，可能某些參數(shù)的微小變化就會(huì)讓模型的訓(xùn)練時(shí)間出現(xiàn)很大的差異。例如在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)就會(huì)有各種各樣的參數(shù)調(diào)節(jié)的情況發(fā)生。
人們往往會(huì)直觀地覺得調(diào)整參數(shù)時(shí)，訓(xùn)練時(shí)間是基本穩(wěn)定不變的。例如假設(shè)有個(gè)系統(tǒng)是計(jì)算地球平面上任意兩點(diǎn)之間的距離的，那么任意給出兩個(gè)點(diǎn)的坐標(biāo)時(shí)，計(jì)算時(shí)間差不多都是相同的。但在另一些系統(tǒng)里卻并非如此，有時(shí)細(xì)微的調(diào)整會(huì)帶來很明顯的時(shí)間差異，有時(shí)差異甚至可以大到數(shù)小時(shí)，而不是數(shù)秒。
注意點(diǎn)8：泛化能力是目標(biāo)
機(jī)器學(xué)習(xí)實(shí)踐中最普遍存在的一個(gè)誤區(qū)是陷入處理細(xì)節(jié)中而忘了最初的目標(biāo)——通過調(diào)查來獲得處理問題的普適的方法。
測(cè)試階段是驗(yàn)證某個(gè)方法是否具備泛化能力（generalization ability）的關(guān)鍵環(huán)節(jié)（通過交叉驗(yàn)證、外部數(shù)據(jù)驗(yàn)證等方法），但是尋找合適的驗(yàn)證數(shù)據(jù)集不容易。如果在一個(gè)只有幾百個(gè)樣本的集合上去訓(xùn)練有數(shù)百萬維特征的模型，試圖想獲得優(yōu)秀的精度是很荒唐的。
注意點(diǎn)9：人類的直覺未必準(zhǔn)確
在特征空間膨脹的時(shí)候，輸入信息間形成的組合關(guān)系會(huì)快速增加，這讓人很難像對(duì)中等數(shù)據(jù)集合那樣能夠?qū)ζ渲幸徊糠謹(jǐn)?shù)據(jù)進(jìn)行抽樣觀察。更麻煩的是，特征數(shù)量增加時(shí)人類對(duì)數(shù)據(jù)的直覺會(huì)迅速降低。
例如在高維空間里，多元高斯分布并不是沿著均值分布，而是像一個(gè)扇貝形狀圍繞在均值附近，這和人們的主觀感受完全不同。在低維空間中建立一個(gè)分類器并不難，但是當(dāng)維度增加時(shí)，人類就很難直觀的理解了。
注意點(diǎn)10：要考慮融入更多新特征
你很可能聽說過諺語“進(jìn)來的是垃圾，出去的也是垃圾”（garbage in, garbage out），在建立機(jī)器學(xué)習(xí)應(yīng)用中這一點(diǎn)尤其重要。為了避免挖掘的效果失控，關(guān)鍵是要充分掌握問題所在的領(lǐng)域，通過調(diào)查數(shù)據(jù)來生成各種各樣的特征，這樣的做法會(huì)對(duì)提升分類的準(zhǔn)確率和泛化能力有很大的幫助。僅靠把數(shù)據(jù)扔進(jìn)分類器就想獲得優(yōu)秀結(jié)果的幻想是不可能實(shí)現(xiàn)的。
注意點(diǎn)11：要學(xué)習(xí)各種不同的模型
模型的組合（Ensemble）技術(shù)正變得越來越流行了，因?yàn)榻M合方法，僅需要付出少許偏見（bias）的代價(jià)，就能大大的減少算法的不確定性。在著名的Netflix算法競(jìng)賽中，冠軍隊(duì)以及成績(jī)優(yōu)異隊(duì)伍們?nèi)际褂昧私M合模型方法，把超過100個(gè)模型合并在一起（在模型上疊加高層的模型形成組合）以提升效果。在人工智能用于實(shí)際應(yīng)用時(shí)，從業(yè)者普遍都認(rèn)為，未來的算法一定時(shí)會(huì)通過模型組合的方法來獲得更好精度，但是這也會(huì)抬高非專業(yè)人員理解系統(tǒng)機(jī)制的門檻。
注意點(diǎn)12：相關(guān)關(guān)系不等同于因果關(guān)系
這一點(diǎn)值得反復(fù)強(qiáng)調(diào)，我們可以通過一句調(diào)侃的話來解釋：“地球變暖、地震、龍卷風(fēng)，以及其他自然災(zāi)害，都和18世紀(jì)以來全球海盜數(shù)量的減少有直接關(guān)系”。這兩個(gè)變量的變化有相關(guān)性，但是并不能說存在因果關(guān)系，因?yàn)橥嬖诘谌悾ㄉ踔恋?、5類）未被觀察到的變量在起作用。相關(guān)關(guān)系應(yīng)該看作是潛在的因果關(guān)系的一定程度的體現(xiàn)，但需要進(jìn)一步研究。
在開發(fā)人工智能與大數(shù)據(jù)應(yīng)用系統(tǒng)時(shí)，把握好以上十二個(gè)注意點(diǎn)，能夠有效避免實(shí)戰(zhàn)中的各種“坑”，幫助技術(shù)在走出實(shí)驗(yàn)室，走向落地應(yīng)用時(shí)，能發(fā)揮更加健壯、強(qiáng)大的作用。