ディープラーニングの時代においても、従来の機械学習アルゴリズムを学ぶ必要があるのでしょうか? (知っておくべきこと)

1 はじめに

最近、Zhihu で「深層学習の時代においても、従来の機械学習アルゴリズムを学ぶ必要がありますか?」という興味深い質問を目にしました。この疑問はアルゴリズム初心者の多くが抱く疑問かもしれません。正直、私も始めた当初はこんな疑問がありました。

この問題は人によって異なりますし、人それぞれ異なる意見があるかもしれません。ただし、個人的には、入出力の観点からは、従来の機械学習アルゴリズムを特に研究する必要は現時点ではないと考えています。仕事でそれに遭遇した場合は、もう一度学習してください。以下は私の個人的な意見ですので、嫌な方はコメントしないでください。コメント欄にぜひ積極的にコメントしてください！

2 ディープラーニングは基本的に従来の機械学習を覆す

ディープラーニングは基本的に従来の機械学習を覆します。次の側面:

1. 従来の機械学習は、ほとんどのシナリオで必要なくなりました。例えば、CV、NLP、検索レコメンド広告の分野では、SVM、ツリーモデル、統合学習の影は基本的にありません。現時点では、リスク管理などのいくつかのシナリオにのみ関与しています。

2. 従来の機械学習の理論体系は深層学習とは大きく異なり、再利用性が非常に低いです。たとえば、ツリーモデルは基本的にディープニューラルネットワークとはほとんど関係がありません。従来の機械学習を理解していなくても、ディープラーニングを開始したり、習得したりすることにはほとんど影響がありません。

3. 従来の機械学習には多くの種類があり、理論は不明瞭で、学習の難易度はディープラーニングに劣りません。ディープラーニングに興味を持ち始めたとき、数か月間読み続けていた Xigua の本 (周志華先生による機械学習の本) も読もうとしましたが、正直に言うと、いつも迷っていました。周先生の本は非常に古典的ですが、残念ながら機械学習を理解するには難しすぎます。個人的には、機械学習に特化することに対する投資と成果は高くないと考えています。詳細については、職場で学習する必要があるまで待ってください。ほとんどの場合、これは起こらないはずです。

4. ソフトウェアとハードウェアのパフォーマンスの急速な向上、およびゼロサンプル学習と少数サンプル学習の開発により、深層学習の利点と上限はますます大きくなっています。現在、深層学習には、解釈可能性やエンジニアリングのオーバーヘッドなど、いくつかの側面のみで特定の欠点があります。しかし、ほとんどのシナリオでは、これらは中心的な問題ではありません。

これは有名なスイカの本で、周先生は理解の難しさを軽減するために多大な努力を払ってきましたが、学習コストは依然として非常に高いです。