有些人認為 AI 和 ML 被過分夸大了，認為它們只不過是寫一些 if 語句，或者僅僅是和編程有關的玩意兒，但我建議你對這些觀點進行仔細的思考和分辨。在本文中，我將對它們涉及到的術語進行比較，并展示這兩個領域的專家之間的區(qū)別：他們究竟是做什么的？軟件工程師、軟件開發(fā)人員、機器學習專家、數(shù)據(jù)科學家......有些人甚至用程序員或碼農稱呼他們，有些人甚至可以成為大佬、大師或明星！但是他們真的一樣嗎？如果是這樣的話，那機器學習和傳統(tǒng)編程之間究竟有什么區(qū)別？

首先，什么是機器學習？

盡管說起來很容易，AI 和 ML 只不過是 if 編程，或者更深入一點，它只是簡單的統(tǒng)計數(shù)據(jù)。我們還能知道些什么呢？ ML 只是一個描述數(shù)學 + 算法的新詞嗎？盡管有時這種簡化似乎很有趣，但很明顯，ML更復雜。

但是讓我們來看一個更合適的解釋。

因此，簡單來說，人工智能是一個包含其他領域的大筐，如圖像處理、認知科學、神經網(wǎng)絡等等。機器學習也是這個大筐中的一個組成部分。它的核心思想是：計算機不只是使用了預先編寫的算法，還學習如何解決問題本身?；蛘撸瑩Q句話說，Arthur Samuel?給出了一個很好的定義（他實際上創(chuàng)造了ML的術語）：

機器學習是一個研究領域，使計算機無需明確編程即可學習。

是的，ML 教一臺機器來解決難以通過算法解決的各種復雜任務。那些任務是什么？好吧，你可能已經在實踐中偶然發(fā)現(xiàn)了它們。例如它可以是你的手機上的面部識別或語音識別，駕駛汽車（Google自動駕駛汽車），按癥狀診斷疾病（Watson），推薦商品（如：書籍（亞馬遜），電影（Netflix），音樂（Spotify） ），個人助理（Siri，Cortana）的功能......這個列表可以列的很長很長。

我希望說得已經足夠清楚了，接下來繼續(xù)談論關于 ML 的另一個重要的問題。

任何有效的 ML 技術都可以有條件地歸于三個級別的可訪問性。這是什么意思？嗯，第一個層面是 Google 或 IBM 等這種科技巨頭的特殊用例。第二個層次是，比方說，具有一定知識的學生可以使用它。而最后一個也就是 ML 可訪問性的第三個層次是甚至一個老奶奶能夠應對它。

我們目前的發(fā)展階段是機器學習正處在第二級和第三級交界處。因此借助這項技術，世界的變化將會日新月異。

關于 ML 最后還有一點點說明：大多數(shù) ML 任務可以分為跟著老師學（監(jiān)督學習）和沒有老師去教（無監(jiān)督學習）。如果你想象一個程序員一只手拿鞭子，另一只手拿著糖，那就有點誤會了。

“老師”這個名字意味著人為干預數(shù)據(jù)處理的想法。在有老師參與培訓時，這是監(jiān)督學習，我們有數(shù)據(jù)，需要在其基礎上預測一些事情。另一方面，當沒有老師進行教學時，這是無監(jiān)督學習時，我們仍然有數(shù)據(jù)，但需要自己去找到它的屬性。

好的，那么它與編程有什么不同？

但是當我們要對某些東西進行預測時，需要用到有各種輸入?yún)?shù)的算法。若要預測匯率，必須添加昨天的匯率的詳細信息，以及發(fā)行貨幣的國家的外部和內部經濟變化等數(shù)據(jù)。

因此，我們需要設計一個能夠接受一組參數(shù)的解決方案，并能夠根據(jù)輸入的數(shù)據(jù)預測新的匯率。

我們需要添加成百上千個參數(shù)，用它們的有限集去構建一個非常基本同時不可擴展的模型。是的，任何人都很難處理如此龐大的數(shù)據(jù)陣列。

對于這個任務，我們可以用機器學習方法，那么它是怎么做的呢？

為了用 ML 方法解決相同的問題，數(shù)據(jù)工程師使用完全不同的過程。他們需要收集一系列歷史數(shù)據(jù)用于半自動模型的構建，而不是自己去開發(fā)算法。

在得到一組令人滿意的數(shù)據(jù)之后，數(shù)據(jù)工程師將其加載到已定制的 ML 算法中。結果會得到一個模型，這個模型可以接收新數(shù)據(jù)作為輸入并預測新結果。

數(shù)據(jù)工程師如何用機器學習設計解決方案

ML 的一個顯著的特點是不需要建立模型。這種復雜但有意義的事由 ML 算法完成。 ML 專家只會對其做一個小小的編輯。

ML 與編程的另一個明顯差異取決于模型能夠處理的輸入?yún)?shù)的數(shù)量。為了能夠準確預測，你必須添加數(shù)千個參數(shù)并以高精度執(zhí)行，因為每個參數(shù)都會影響最終結果。人類很難以合理的方式使用所有這些細節(jié)去構建一種算法。

但是對于 ML 沒有這樣的限制。只要你有足夠的處理能力和內存，就可以根據(jù)需要使用盡可能多的輸入?yún)?shù)。毫無疑問，這一事實使得 ML 現(xiàn)在變得如此強大和廣泛。

總結一下：ML專家，數(shù)據(jù)科學家，程序員和軟件工程師......究竟誰是誰？

根據(jù) Wiki 上的定義，Data Science?是一個多學科領域，它使用科學方法、流程、算法和系統(tǒng)從結構化和非結構化數(shù)據(jù)中提取知識和見解。

看上去并不是那么酷。

但接下來還有一些有趣的東西：

使用最強大的硬件，最強大的編程系統(tǒng)，以及解決問題的最有效算法。

后面還有更有趣的部分：

2012年，“哈佛商業(yè)評論”稱其為“21世紀最性感的工作”。

因此數(shù)據(jù)科學是另一個筐，就像計算機科學一樣，數(shù)據(jù)科學旨在處理數(shù)據(jù)并從中提取有用的信息。

那么編程呢？現(xiàn)在的數(shù)據(jù)科學家為了研究的目的而而需要掌握這種技能。他們不僅是程序員，也應該具有應用統(tǒng)計或研究背景。有些人還從事軟件工程，特別是在他們的產品中提供數(shù)據(jù)科學或機器學習技術的公司。最有趣的是，數(shù)據(jù)科學可以不必編程，但是會被限定在 Matlab、SPSS、SAS等工具上。

機器學習工程師的職位是怎樣的？

機器學習工程師的位置更具有“技術性”。換句話說，機器學習工程師與傳統(tǒng)的軟件工程有著比數(shù)據(jù)科學更多的相同點。

ML 工程師的標準任務通常和數(shù)據(jù)科學家類似，但是你還需要處理數(shù)據(jù)，嘗試用不同的機器學習算法來解決問題、創(chuàng)建原型和現(xiàn)成的解決方案。

我要強調一下關鍵的區(qū)別：

• 一種或多種語言（通常是Python）的強大編程技能；
• 不太重視在數(shù)據(jù)分析過程中工作的能力，而是更加重視機器學習算法；
• 能夠基于現(xiàn)成的庫使用不同的技術，例如，NumPy 或 SciPy；
• 使用 Hadoop 創(chuàng)建分布式應用的能力等。

現(xiàn)在讓我們回到編程并仔細研究分配給程序員的任務。

程序員實際上就像數(shù)據(jù)分析師或業(yè)務系統(tǒng)開發(fā)人員。他們不必自己構建系統(tǒng)，只需針對現(xiàn)有系統(tǒng)編寫松散結構的代碼。是的，我們可以將數(shù)據(jù)科學稱為新的編程浪潮，但編碼只是其中的一小部分。所以不要誤會。

但如果深入挖掘，我們會發(fā)現(xiàn)還有其他術語，如?Software Engineer?和?Software Developer，兩者并不相同。例如軟件工程師必須設計工程。它們涉及生產應用程序、分布式系統(tǒng)、并發(fā)、構建系統(tǒng)、微服務等。而軟件開發(fā)人員需要了解軟件開發(fā)的所有周期，而不僅僅是實現(xiàn)（有時甚至不需要任何編程或編碼）。

那么，你現(xiàn)在感受到編程和機器學習的不同了嗎？我希望本文可以幫你避免對這些術語產生混淆。毫無疑問，這些人都有一些共同點，那就是技術，但之間的差異要大得多。因此機器學習工程師、軟件工程師和軟件開發(fā)人員完全不可互換。

新聞標題：談談機器學習與傳統(tǒng)編程之間的區(qū)別
網(wǎng)站鏈接：http://aaarwkj.com/news49/100999.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站內鏈、Google、搜索引擎優(yōu)化、建站公司、靜態(tài)網(wǎng)站、App開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)