原创译文 | 社会对于机器学习最大的误解是什么？

导读：上一期了解一下人工智能时代，五大最具潜力的职业，今天我们来学习一下机器学习和数据科学的应用，对于企业的重要性，以及作者对于机器学习和数据科学的未来思考（文末更多往期译文推荐）

机器学习和人工智能往往被许多行业誉为未来。但是机器学习本身的未来呢？根据密歇根州立大学机器学习和深度学习研究员Sebastian Raschka和Packt的畅销书籍《Python机器学习》一书的作者Sebastian Raschka的观点，他在书中介绍了过去几年中机器学习和人工智能领域发生了什么变化，以及接下来会发生什么，同时我们必须确定的是，这不是机器人在接管世界。

变化一：数据科学行业发展对机器学习起到了积极地作用

在过去的几年中，我注意到了业界最大的变化之一，就是越来越多的公司正在拥抱开源。 例如，通过在GitHub中共享部分工具链。这些工具的可用性对于充分利用机器学习非常有用。我认为数据科学和开源相关会议也在增加，这意味着更多的人不仅对数据科学感兴趣，而且也在考虑空闲时间与企业合作，作为开源贡献者，这是一件好事。

变化二：机器学习和数据科学工作加速了Apache Spark的采用。

我目睹的另一个行业转变是深度学习变得越来越流行。但是，这不一定是一个积极的变化。似乎有一种冲动，很多从业人员似乎在跟风学习。过去几年跟多工作者对于深度学习的意愿是很大的，但有时候感觉很多公司正在变成为了追赶行业热点而去要求员工学习。

但在这种转变中，积极的一面是，人们正在为解决问题而采取新的创造性的方法，这可以推动这一领域向前发展。其中最重要的一点是，这种创造性促进了不同领域的交流与合作。例如，我注意到来自其他领域的越来越多的人越来越熟悉统计建模和机器学习中使用的技术。良好的协作和团队沟通非常重要，关于基础知识的常识使得沟通更容易。

展望：数据科学和机器学习最令人兴奋的趋势是什么？

我真正感兴趣的一个趋势是元件库的发展，使机器学习更容易获得。流行的例子包括TPOT和AutoML / auto-sklearn。这些库进一步自动建立机器学习管道。但是，解释预测建模任务的结果总是需要一定的知识。这些工具不是为了取代这个领域的专家，而是可以更多的非程序员进行机器学习。我看到这些工具不是作为替代品，而是作为数据科学家的助手，帮助自动化繁琐的任务，如超参数调整。

我所观察到的另一个有趣的趋势是新型深度学习架构的不断发展，以及整体深度学习研究的巨大进步。我们看到来自生成对抗神经网络（GAN），密集连接的神经网络（DenseNets）和梯形网络的许多有趣的想法。由于深度学习元件库（以及计算机基础设施）的新思路和持续改进，这一领域取得了很大的进展，加快了研究思路的实施和这些技术在工业应用中的发展。

思考：社会对于机器学习最大的误解是什么？

当然是关于人工智能是否会转向邪恶的可能性的争论。据我所知，对人工智能的消极报道主要是由那些不在现场工作的写手们寻找引人注目的头条新闻所驱使的。我不打算重复这个话题的任何论据或证据，因为我确信读者能够在整个互联网上找到大量的信息，如果还没有的话。关于这个话题，我唯一要说的就是引用Andrew Ng的话：“我不打算阻止人工智能转向邪恶，这与我不打击火星上的人口过剩的原因是一样的。”我非常赞同这个观点！

本文作者：密歇根州立大学应用机器学习和深度学习研究员和计算生物学家Sebastian Raschka

文章编辑：秦革