Machine Learning的前景怎么樣？

Machine Learning作為統(tǒng)計學的一個分支，最近好像特別吃香，請大神們解疑，Machine Learning具體是干什么的，前景什么樣？

正好剛回答過類似的問題，直接引用下吧

Machine Learning現(xiàn)在是一個很火的研究方向。機器學習是研究計算機怎么模擬人類的學習行為，并且能組織已有的知識構(gòu)架使之不斷完善的性能的學科。 是人工智能的核心，是使計算機具有智能的根本途徑。 與其說是統(tǒng)計學的分支，不如說是統(tǒng)計學，計算機科學，信息科學的交叉分科。其涉及的知識面很廣，涵蓋了工智能、哲學、信息論、生物學、認知科學、計算復(fù)雜性等眾多領(lǐng)域的專業(yè)知識。現(xiàn)在存在的一些計算器系統(tǒng)是沒有學習的能力的（或者是有的已有了特別局限的學習能力？），因而是不能滿足生產(chǎn)的需求的。隨意隨著科技的發(fā)展，machine Learning肯定會得到長足的發(fā)展的。只是，machine Learning也有許多發(fā)展方向，不是每個方向都發(fā)展的起來。

附上這篇文章的鏈接吧：

數(shù)據(jù)挖掘和深度學習（deep learning）哪個更有發(fā)展前景？

我再補充下Machine Learning的研究目標吧：

認知模型——即是3M認知模型，是人類對真實世界進行認知的過程模型。認知是個系統(tǒng)的過程，其中包含感知，記憶，判斷與學習。因而完成這個認知過程，是個一及其艱難和浩大的工程。

通用學習算法——像是大家熟知deep Learning就是Machine Learning中的一種比較深的算法。 其實很多ML算法都是非邏輯性的，輸入的信息數(shù)據(jù)通過數(shù)學模型而得出一個新的工具，其實可以說是建立一個人工識別號的數(shù)據(jù)庫。

構(gòu)造學習系統(tǒng)的方法（面向任務(wù)的）——其實就是研究如何通過 環(huán)境向系統(tǒng)的學習環(huán)節(jié)提供某些信息。

先說這么多吧，有空的話做個圖解釋下ML的方法論，覺得還是解釋比較抽象，多多包涵吧。

Machine Learning是一門多領(lǐng)域的交叉學科，除了像最常見的統(tǒng)計學、逼近論、算法復(fù)雜度分析理論等，也包括一些與生物領(lǐng)域的科學相關(guān)的問題，比如說最常見的人工神經(jīng)網(wǎng)絡(luò)中的各類神經(jīng)元與鏈接方式都是仿照人腦進行操作的、以及遺傳算法中模擬基因突變的過程等。

機器學習主要就是研究計算機如何模型或?qū)崿F(xiàn)像人一樣的思維方式去學習知識，通過對新問題的反饋機制，修改或優(yōu)化自己已經(jīng)學習到的知識。其是人工智能的核心，也就是說，人工智能非常依賴機器學習的好壞與優(yōu)良程度。

機器學習的方法以及其效果的好壞對于人類未來的發(fā)展至關(guān)重要，如果效果很高的話，至少可以替代人工做的一些重復(fù)的體力勞動，并可以根據(jù)特殊情況進行一定的反映。因此，就前景而言還是很好的，尤其是在現(xiàn)在這個大數(shù)據(jù)時代，越來越多的人類行為相關(guān)數(shù)據(jù)被記錄在案，為機器學習提供了基礎(chǔ)內(nèi)容。此外，機器學習所產(chǎn)生的一些成果，已經(jīng)應(yīng)用于許多領(lǐng)域，包括數(shù)據(jù)挖掘、自然語言處理等等。

雖然機器學習已經(jīng)取得了一定的突破，但是還是沒有達到人工智能的程度，因此有許多問題是需要研究和發(fā)展的，因此，未來的發(fā)展也是充滿機遇與挑戰(zhàn)的。Machine Learning是個不錯的領(lǐng)域，如果想要進入的話，建議多學習一些基礎(chǔ)思想和編程。

機器學習已經(jīng)越來越平民化了(democratizing)，數(shù)學和算法并非一定要很深厚功力，大多通用算法都是現(xiàn)成的，比如微軟Azure Machine Learning平臺已經(jīng)有很多打包的示例，如用來分析customer churn的示例等。至于operationalization（不知道怎么翻譯），現(xiàn)在也沒這么難了。

我覺得如果只是應(yīng)用機器學習來處理現(xiàn)實問題，最難的還是怎么把通用算法和自己公司的現(xiàn)實問題聯(lián)系起來，比如怎么定feature，用哪種model，另外怎么評價最終效果等等。難的是深入理解企業(yè)的實際業(yè)務(wù)，而非技術(shù)和算法。

個人認為趨勢是隨著machine learning平臺的成熟以及通用場景的算法普及，data scientist這個稱號會逐漸平民化甚至消失，最后你搭個回歸模型之類的就像使用Excel處理一些數(shù)據(jù)這樣簡單。一個PM或者銷售經(jīng)理可以自己做這事而不需要養(yǎng)一個專門的職位。

機器學習的應(yīng)用在工業(yè)界需求很高，有過工作經(jīng)驗的人可以很輕松的找到工作，供給遠遠小于需求，而且需求越來越大。

但是招 New Grad (PhD 可以考慮) 相對較少。原因很多，簡單來說，就是 New Grad 往往工程經(jīng)驗不夠，學術(shù)能力也不夠。工業(yè)界的現(xiàn)狀不復(fù)雜：大公司搞機器學習的組大、人多、要求高，PhD 是進入的門檻；小公司人少，每個人都要獨當一面，因此必須要有過搭建實際機器學習系統(tǒng)的經(jīng)驗。因此如果兩邊都沒有優(yōu)勢的話，自然找工作比較吃力。

因此，對于有志于做這個方向的同學來說，建議找工作時調(diào)整心態(tài)，第一份工作盡量找到工作職責與機器學習相關(guān)的組，而不必追求一步到位。人生的職業(yè)生涯很長，做好3到5年的職業(yè)生涯規(guī)劃，積累實際工作經(jīng)驗，不斷學習與強化自己。人與人的差距并不會在第一份工作中體現(xiàn)，而是在前幾年逐漸顯現(xiàn)出來。