讨论:你是否遇到过你完全不能理解的机器学习概念?

俗话说:隔行如隔山。但就算同一座山,有的时候因为“山”太大,未能爬到顶峰的人往往很难一窥整座山的全貌。这不,雷锋网(公众号:雷锋网)在Reddit的机器学习版块就发现了一个很热烈的讨论,题目叫做:“机器学习专业的研究僧们进来说一说,你是否遇到过你完全不能理解的机器学习概念(Those who are working professionally in ML and/or academics who have completed graduate-level coursework in ML: Are there any ML concepts that you don't quite fully grasp?)?”在问题下也有不少有意思的回答,雷锋网整理了部分回答,与机器学习的“炼丹师”们共勉。

排在最前面的是@Leonoel讲述的一个高票故事:

“故事时间。

我喜欢和我的学生讲这个故事来激励他们,同时也希望能减轻他们的‘不懂装懂综合症’。

在NIP 2013上,当时有一位演讲者的演讲我完全听不懂。这是我博士的最后一年,这让我产生了警觉。我开始感觉很糟:作为一个新出炉的博士,我竟然没有能从NIPS的主题报告中学到任何东西!

当时坐在我旁边的两个朋友,其中一位是UC Berkeley的Michael Jordan,另一位在波士顿和Andrew McCallum一起做研究。这两位教授在机器学习界的大名如雷贯耳,所以我想当然的想,他们应该从这个报告中学到不少东西。

但最后,他们告诉我,他们同样听得一脸懵逼。

这个故事的含义是:机器学习是一个巨大的领域,如果你在你自己的领域花了足够多的时间,你很有可能难以对其他领域了如指掌。不要浪费你的时间去了解每一件事情。

还有另一个例子:我有个朋友是普林斯顿的数学家,但他从来没有理解过机器学习背后的数学,因为他主要是做数学理论研究的。”

在这个回答下,网友@iamiamwhoami做了补充说明:

“你在应用领域社区混久了就会感觉到,有的人真的是不怎么擅长解释他们的研究。”

@gionnelles也做出了类似的回答:

“如果有人声称他了解机器学习领域的所有东西,这绝壁是撒谎或者是错误的。机器学习领域太过广泛,研究进展太快,这意味着人们可以成为直接接触他们所在细分领域的专家,并聪明地讨论其他部分,但总有新的东西值得学习。”

甚至一些机器学习基础的重要理论如RNN和反向传播理论,不少人也表示有诸多理解难点,例如网友@klop2031就这么说:

“RNN的递归怎么绕,以及反向传播如何通过时间起作用,对我来说仍然一团乱麻。我仍然需要通过数学方式来理解,同样,对比分歧的原理如何我也不大清楚。”

好不容易弄懂了反向传播,却发现Hinton老爷子又有了新理论。@wdroz是这么说的:

“要想时刻跟随并理解机器学习的最新潮流很难,尤其在深度学习领域更是如此。举个栗子,我读了好些关于Capsule网络的介绍,但我还是无法理解其工作原理。”

@debau的回答让我们感到了深深的绝望:

“我希望我能理解我自己的论文…”(这就过分了吧…)

也有卖萌的,比如网友@oursland的回答:

我曾经做到了这一点。然后我又把所有东西给忘掉了(雷锋网注:@oursland这里用的是机器学习中的“灾难性遗忘”的梗)。这当中一定有一套炒鸡糟糕的超参数,或者其他的什么东西作怪。:V

网友@andyspl也声称做到了这一点:

“握爪!我试图将这些东西写下来,但我的笔记本边上的空白太小啦~”

讨论:你是否遇到过你完全不能理解的机器学习概念?

(费马大定理:“我确信已发现了一种美妙的证法,可惜这里空白的地方太小,写不下……”)

嗯,以上的笑点,只有做机器学习的理工男才懂……

而得票最高的是Reddit网友@stochastic_gradient富有哲理的回答:

“没有人会完全理解(机器学习的所有概念)。每一篇发表在Arxiv的论文所讲的,实际上都是作者已经理解、但之前从未有人理解过的东西。

做机器学习研究,的确100%的是一件你需要和你不能完全理解的东西打交道的事儿。任何吸引你的事情都源于你对它的不了解,矛盾的是,即便人们知道解释这些事情是他们的工作,但他们仍然会对此有很大的不安。”

这或许也正是机器学习的迷人之处吧。

对于这个问题,现在正在机器学习路上的你又有什么看法呢?如果你想了解关于该问题的更多讨论,请点此前往Reddit


讨论:你是否遇到过你完全不能理解的机器学习概念?

原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/128936.html

(0)
上一篇 2021年8月30日
下一篇 2021年8月30日

相关推荐

发表回复

登录后才能评论