# 機器學習很重要 > 原文： [https://machinelearningmastery.com/machine-learning-matters/](https://machinelearningmastery.com/machine-learning-matters/) 重要的是要知道機器學習的重要性，以便您了解該領域的內在價值以及該領域的方法和開放式問題。 就像知道你的原因一樣，了解該領域的價值可以作為一個強大的信息過濾器，并幫助你專注于那些真正實現該領域承諾的方法。 在這篇文章中，您將了解到機器學習很重要，因為它提供的方法可以為[復雜問題創建解決方案](http://machinelearningmastery.com/practical-machine-learning-problems-real-world-examples-and-discover-how-to-identify-common-classes-of-machine-learning-problems/ "Practical Machine Learning Problems: Real-world Examples and Discover How to Identify Common Classes of Machine Learning Problems")。您將發現存在一些問題，即手動指定程序如何解決問題是不可行的。 機器學習的承諾是，它提供了生成復雜問題解決方案的工具，比我們手動編寫解決方案更快，更準確，更具可擴展性。 ## 復雜的問題 在計算機中編寫程序可以概括為對輸入數據的自動化過程以創建輸出工件。幾乎總是，它們是線性的，程序性的和邏輯的。傳統程序是用編程語言編寫的，符合某些規范，它具有如下屬性： * 您知道或可以控制程序的輸入 * 您可以指定程序如何實現其目標 * 您可以確定程序將做出哪些決策以及在何種條件下做出決策 * 您可以測試您的程序并確信由于輸入和輸出已知且所有條件都已執行，程序將實現其目標 您可以在計算機中表示一些無法編寫傳統程序來解決的問題。他們抵制程序和邏輯解決方案。它們具有以下屬性： * 事先不知道所有可能輸入的范圍 * 您無法指定如何實現程序的目標，只能指定目標是什么 * 您無法確定計劃為實現其目標而需要做出的所有決策 * 您可以收集該程序的樣本輸入數據 這樣的問題抵制了傳統的編程解決方案，因為手動指定解決方案需要不成比例的資源。 您可能是程序員，您可能是一位經驗豐富的程序員。這可能聽起來很奇怪，甚至令人難以置信。作為程序員，我們相信只要我們能夠定義程序需要做什么，我們就相信我們可以定義程序如何實現該目標。這并非總是如此。 ## 垃圾郵件過濾器示例 抵制手動定義的解決方案的每日決策問題的一個示例是將垃圾郵件與非垃圾郵件區分開來。 您如何編寫程序來過濾電子郵件，因為它們進入您的電子郵件帳戶并決定是將它們放入垃圾郵件文件夾還是收件箱文件夾？ [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2013/12/spam-nonspam.jpg) 照片歸功于 balise42，保留一些權利 我對如何做到這一點的一些想法是： * 我會收集我知道的垃圾郵件或垃圾郵件的例子 * 我已經閱讀了我收集的電子郵件，并記下了我在任何一組中看到的任何模式 * 我想把這些模式抽象成我可以編程的更一般的規則 * 我會查找可以安全快速分類為垃圾郵件或非垃圾郵件的電子郵件 * 我會為我的程序編寫測試，以確保它做出準確的決定 * 我會監控部署的系統，并密切關注它所做的決定 我可以寫一個程序來做這個，你也可以。這需要很多時間。必須閱讀很多電子郵件。這個問題需要深入思考。在系統可信任到足以投入運營之前，需要大量的開發和測試時間。一旦投入運營，將會有如此多的硬編碼規則特定于我讀過的電子郵件，這將成為維護的噩夢。 上述過程還描述了針對將垃圾郵件與非垃圾郵件區分開來的問題的機器學習解決方案。一句話就是機器學習方法可以為您自動化流程。 **專業提示**：以這種方式解決復雜問題是一項非常有價值的技能，可以在以后為您準備數據和選擇正確的機器學習方法。通過“如何手動編寫程序來解決這個問題”的過程進行思考是一項經常被專業人士忽視和遺忘的掌握技巧。 ## 機器學習很重要 機器學習領域提供了自動從數據做出決策的工具，以實現某些目標或要求。研究問題集中在如何更好地做到這一點以及結果意味著什么。 讓我們專注于機器學習工具和實踐的實際問題解決能力。這些機器學習的工具和實踐對世界很重要。重要的四個原因是： * **自動**：機器學習方法是創建算法的自動化過程（算法）。這些方法在數據上運行并生成一個模型，指定如何實現程序的目標。 * **快速**：機器學習方法可以節省您的時間。這些方法可以分析樣本輸入數據并提供比手動編寫程序更快的程序。 * **準確**：機器學習方法可以比你做得更好。作為自動化方法，他們可以在比您更多的數據上運行更長時間，以便做出更準確的決策。 * **Scale** ：機器學習方法可以為您無法解決的問題提供解決方案。這些方法可以擴展和互連，以實現以前無法考慮或甚至構思的問題的解決方案。 在這篇文章中，您了解到機器學習很重要，因為它提供了可以為復雜問題創建解決方案的方法。具體而言，這些是抵制手動指定的解決方案的問題。 您了解到機器學習的前景是它可以比手動指定的解決方案更自動，更快速，更準確地解決這些類型的問題。 您認為哪些復雜問題無法抵抗手動編程的解決方案？發表評論。