这本是一篇论文，我在借鉴这篇论文的同时，加上自己在机器学习方面的一些感悟，总结一番。
1.机器学习的过程。
包括“将问题表示出来”，“寻找到评价问题的损失函数”，“进行优化过程”。
2.泛化真的很重要。
我们都知道，每一个好模型训练出来，不只是让它在我们的测试集上，原则上是想让它在任何我们需要的场景下都有好的指标，所以判断一个模型的好坏，泛化能力也是一个重要的指标。
3.仅仅有数据是不够的。
当我们把经验运用到机器学习中，会减少很多工作量，就会让机器不再盲目的去做一件事，会提高机器学习的效率
4.直觉不适合用于高维空间。
这句话如何理解呢？我们都是从拟合一条直线来理解机器学习的（至少我是这样子的），当特征空间比较小的时候，我们还会在大脑中想想出它大概是个什么东西，比如是一条线呢，还是一个平面呢，但是高维特征空间，我们的大脑就无法形象的显示出来（牛人除外），这时候的一些直觉可能会误导我们模型的训练。
5.特征工程很关键。
除了神经网络之外的机器学习，非常倚重特征，就好比我之前用的CRF或者SVM等，一个好的特征工程很可能直接影响这个模型的好坏，正是由于其重要性，直接衍生出来这个工程。所以这是一个重要的环节。
6.更多的数据胜过好的模型算法。
现在是大数据时代，更多的数据会让这个模型更加鲁棒和泛化能力更强，也许一个模型无法优化，但是更多的数据能让模型学习到更多的规律，从而提高性能。
7.我们要训练多个模型，而不止一个。
现在模型种类千千万，我们不能说只用一个模型，现阶段，优秀的模型更多的是模型之间的搭配，比如，我即将要学习的BiLstm+CRF，就是一个很好的例子，将这些模型进行正确的搭配，会很大程度上提高性能，正所谓“尺有所短，寸有所长”。