机器人学习在工业领域的瓶颈藤桌椅

（1）数据量的问题效果好的方法大都是有监督训练的，这就需要很多标注数据，数据的质量、归一化方法、分布等，对模型的效果都影响很大。数据量的问题可以分成两类来讨论：a、数据太多：那么面临着计算能力和计算成本的问题。b、数据太少：数据太少有时候是很客观存在的事情，在这种情况下模型的预测能力一般都不会太好。（2）工程师经验机器学习的方法对于一般的工程师并不友好，尤其是在工业和制造业领域深耕对机器学习根本不了解的工程师朋友。如果没有了解原理和做过一些实验，这就是一个参数很多的黑盒，弄不好效果就会很差。（3）计算能力和工程实现能力很多模型，特别是深度学习模型，训练时间和资源消耗很大，如果需要多次训练调整策略和参数，周期很长。实际部署运行速度也受模型大小和种类影响，速度和效果会有一个权衡。另外，好的算法要有好的工程实现，才能发挥正常的作用，代码能力不行，再好的模型也不行。（4）机器学习的不可预测性机器学习的每个过程都充满了不可预测性，比如解释model，比如处理missing value，也比如将文字转化为vector。按理来说，我们会觉得更复杂的处理效果更好，但大部分时候你会发现bag of words比skip-gram强多了。大概机器学习的每个环节都存在这种问题，没有唯一的经典的最好的方法。做机器学习就像是猜密码，而且是一个很多位的密码。

云南皮肤病医院在线预约挂号

沈阳治疗牛皮癣专科医院

绍兴治疗阳痿

黄冈妇科病检查哪个医院好

天津生殖器疱疹医院哪家效果好

上海癫痫医院哪家好一些