想让机器学习与商业结合，最重要的是什么？(18)_全文共6008字

\n \n

1. 了解超参数的优先项。一片森林中，最相关的参数可能是树木的数量和最大深度。然而，对于深度学习而言，优先项可能是学习率和层次数量。

\n \n

2. 运用搜索技巧：gridsearch和random search 。后者优先。

\n \n

3. 运用交叉验证：设置一个单独测试组，将其余数据分为k层并将其迭代k次，每一层都进行验证（如，调整超参数），其余的进行学习培养。最终，对全部层级进行平均质量度量标准的计算。

\n \n

深度学习：万金油？

\n \n

过去几年，深度学习一直是学术研究和行业发展的聚焦点。 TensorFlow Keras和Caffe等框架使复杂的神经网络通过高层级的应用程序接口（API）得以快速运用。应用程序不计其数，包括计算机视觉，聊天机器人，无人驾驶汽车，机器翻译，甚至游戏——同时打败了全世界最顶级的围棋手和国际象棋计算机玩家！

\n \n

深度学习最主要的前提之一是数据增加后持续学习的能力，而这在大数据时代尤为有效（见下图）。这种持续学习的能力与近来硬件方面的发展（如图形处理器）互相结合，使大型深度学习工作的执行成为可能。而从前，由于资源限制，这是明令禁止的。