Explore Machine Learning 101, Basic Concepts，五

  Note:本文系LeetCode专题“Basic Concepts in ML，Basic Concepts in ML”的翻译，期间加有笔者个人的见解，如有错误，欢迎评论区留言讨论，共同进步。

四、机器学习的重要性（Why）

  通过前几节的学习我们进一步了解数据对于机器学习模型构建的重要性，同时对低拟合和过拟合问题进行初步的分析。在接下来的学习中我们将进入机器学习入门的最后一部分，即为什么机器学习算法在当今这么重要，以及机器学习的优势。
  在这一章中，我们将举例说明机器学习算法模型在当今社会中的重要性，同时强调机器学习的一些优点和缺点。

  在前面的几章中，我们已经初步地对于机器学习算法是什么，并且应该如何在具体的项目中应用机器学习算法有了一个简单的概念。
  那么在这一章中，我们来多多思考这样一个问题：为什么我们需要机器学习算法？
  首先，我们不得不承认的是，在当今时代，机器学习是我们必不可缺的（例如在我们每日所使用的互联网服务，诸如社交网络、搜索引擎等，是无处不在的）。机器学习十分重要，以致于Facebook为了满足应用机器学习算法的需求，重新从硬件到软件设计了数据中心。

“At Facebook, machine learning provides key capabilities in driving nearly all aspects of user experiences… Machine learning is applied pervasively across nearly all services.”

  以Facebook公司为例，我们列举机器学习算法的应用：

• 根据喜好对新闻排序需要机器学习算法
• 根据喜好在何时针对何人定向投放广告需要机器学习算法
• 各种搜索引擎（例如照片、视频、人物、文字内容）需要应用机器学习算法
    同理，我们可以很容易地确定机器学习算法应用于其他我们现在使用的服务（如，谷歌搜索引擎、Amazon电商平台）中的应用场景。机器学习在日常生活中的普遍应用正说明了其存在的理由，至少在目前和不久的将来是这样。

ML algorithms exist, because they can solve problems that non-ML algorithms are not able to, and because they offer advantages that non-ML algorithms do not have.

  区别机器学习算法与非机器学习算法最重要的特征是机器学习算法将模型与数据分离（解耦），从而使算法能在具有不同上下文的前提下应用，适应不同的业务场景和业务用例。例如，我们在应用分类算法来判断照片中是否有人脸，也可以运用于预测用户点击广告。在面部识别模型中，同样的分类算法也可以被应用到训练一个判断图片中是否有人脸的模型中，或者另一个判断谁（who）在照片中。
  通过将模型与数据解耦合，机器学习算法可以更为灵活、通用、自恰地解决更多的问题；和人类一样，机器学习算法能够从环境中学习（数据），并相应地调整其行为(即模型)以适应相应的问题。在机器学习算法中，我们并没有直接编码计算机需要执行的具体算法代码，相反，我们搭建的是一个元代码，其能够以有监督学习或者非监督学习的形式从数据中学习规则或模式。

五、延伸阅读（Further Reading）

ResNet: Deep Residual Learning for Image Recognition. He et al. CVPR 2016 Las Vegas, NV, USA.
LIME: Explaining the Predictions of Any Classifier. Ribeiro et al. KDD 2016 San Francisco, CA, USA.