談談機器學習與傳統編程之間的區別
有些人認為 AI 和 ML 被過分夸大了，認為它們只不過是寫一些 if 語句，或者僅僅是和編程有關的玩意兒，但我建議你對這些觀點進行仔細的思考和分辨。在本文中，我將對它們涉及到的術語進行比較，并展示這兩個領域的專家之間的區別：他們究竟是做什么的？軟件工程師、軟件開發人員、機器學習專家、數據科學家......有些人甚至用程序員或碼農稱呼他們，有些人甚至可以成為大佬、大師或明星！但是他們真的一樣嗎？如果是這樣的話，那機器學習和傳統編程之間究竟有什么區別？
首先，什么是機器學習？
盡管說起來很容易，AI 和 ML 只不過是 if 編程，或者更深入一點，它只是簡單的統計數據。我們還能知道些什么呢？ ML 只是一個描述數學 + 算法的新詞嗎？盡管有時這種簡化似乎很有趣，但很明顯，ML更復雜。
但是讓我們來看一個更合適的解釋。
因此，簡單來說，人工智能是一個包含其他領域的大筐，如圖像處理、認知科學、神經網絡等等。機器學習也是這個大筐中的一個組成部分。它的核心思想是：計算機不只是使用了預先編寫的算法，還學習如何解決問題本身。或者，換句話說，Arthur Samuel 給出了一個很好的定義（他實際上創造了ML的術語）：
機器學習是一個研究領域，使計算機無需明確編程即可學習。
是的，ML 教一臺機器來解決難以通過算法解決的各種復雜任務。那些任務是什么？好吧，你可能已經在實踐中偶然發現了它們。例如它可以是你的手機上的面部識別或語音識別，駕駛汽車（Google自動駕駛汽車），按癥狀診斷疾病（Watson），推薦商品（如：書籍（亞馬遜），電影（Netflix），音樂（Spotify） ），個人助理（Siri，Cortana）的功能......這個列表可以列的很長很長。
我希望說得已經足夠清楚了，接下來繼續談論關于 ML 的另一個重要的問題。
任何有效的 ML 技術都可以有條件地歸于三個級別的可訪問性。這是什么意思？嗯，***個層面是 Google 或 IBM 等這種科技巨頭的特殊用例。第二個層次是，比方說，具有一定知識的學生可以使用它。而***一個也就是 ML 可訪問性的第三個層次是甚至一個老奶奶能夠應對它。
我們目前的發展階段是機器學習正處在第二級和第三級交界處。因此借助這項技術，世界的變化將會日新月異。
關于 ML ***還有一點點說明：大多數 ML 任務可以分為跟著老師學（監督學習）和沒有老師去教（無監督學習）。如果你想象一個程序員一只手拿鞭子，另一只手拿著糖，那就有點誤會了。
“老師”這個名字意味著人為干預數據處理的想法。在有老師參與培訓時，這是監督學習，我們有數據，需要在其基礎上預測一些事情。另一方面，當沒有老師進行教學時，這是無監督學習時，我們仍然有數據，但需要自己去找到它的屬性。
好的，那么它與編程有什么不同？
在傳統編程中，你需要對程序的行為進行硬編碼。在機器學習中，你將大量內容留給機器去學習數據。
所以這些工作內容無法互換：數據工程師無法取代傳統編程的工作，反之亦然。盡管每個數據工程師都必須使用至少一種編程語言，但傳統編程只是他所做的一小部分。另一方面，我們不能說軟件開發人員正在用 ML 算法來啟動網站。
ML 不是替代品，而是傳統編程方法的補充。例如，ML 可用于為在線交易平臺構建預測算法，而平臺的 UI、數據可視化和其他元素仍然用主流編程語言（如Ruby或Java）編寫。
所以最主要的是：ML 被用在傳統編程策略無法滿足的場景，而且它不足以獨立完全完成某項任務。
那么這在實施中意味著什么呢？我們用一個匯率預測的經典 ML 問題的需求來進行解釋：
傳統的編程方法
對于任何解決方案，***個任務是創建最合適的算法并編寫代碼。之后必須設置輸入參數，如果實現的算法沒問題，將會產生預期的結果。
軟件開發人員如何制定解決方案
但是當我們要對某些東西進行預測時，需要用到有各種輸入參數的算法。若要預測匯率，必須添加昨天的匯率的詳細信息，以及發行貨幣的國家的外部和內部經濟變化等數據。
因此，我們需要設計一個能夠接受一組參數的解決方案，并能夠根據輸入的數據預測新的匯率。
我們需要添加成百上千個參數，用它們的有限集去構建一個非常基本同時不可擴展的模型。是的，任何人都很難處理如此龐大的數據陣列。
對于這個任務，我們可以用機器學習方法，那么它是怎么做的呢？
為了用 ML 方法解決相同的問題，數據工程師使用完全不同的過程。他們需要收集一系列歷史數據用于半自動模型的構建，而不是自己去開發算法。
在得到一組令人滿意的數據之后，數據工程師將其加載到已定制的 ML 算法中。結果會得到一個模型，這個模型可以接收新數據作為輸入并預測新結果。
數據工程師如何用機器學習設計解決方案
ML 的一個顯著的特點是不需要建立模型。這種復雜但有意義的事由 ML 算法完成。 ML 專家只會對其做一個小小的編輯。
ML 與編程的另一個明顯差異取決于模型能夠處理的輸入參數的數量。為了能夠準確預測，你必須添加數千個參數并以高精度執行，因為每個參數都會影響最終結果。人類很難以合理的方式使用所有這些細節去構建一種算法。
但是對于 ML 沒有這樣的限制。只要你有足夠的處理能力和內存，就可以根據需要使用盡可能多的輸入參數。毫無疑問，這一事實使得 ML 現在變得如此強大和廣泛。
總結一下：ML專家，數據科學家，程序員和軟件工程師......究竟誰是誰？
根據 Wiki 上的定義，Data Science 是一個多學科領域，它使用科學方法、流程、算法和系統從結構化和非結構化數據中提取知識和見解。
看上去并不是那么酷。
但接下來還有一些有趣的東西：
使用***大的硬件，***大的編程系統，以及解決問題的最有效算法。
后面還有更有趣的部分：
2012年，“哈佛商業評論”稱其為“21世紀最性感的工作”。
因此數據科學是另一個筐，就像計算機科學一樣，數據科學旨在處理數據并從中提取有用的信息。
那么編程呢？現在的數據科學家為了研究的目的而而需要掌握這種技能。他們不僅是程序員，也應該具有應用統計或研究背景。有些人還從事軟件工程，特別是在他們的產品中提供數據科學或機器學習技術的公司。最有趣的是，數據科學可以不必編程，但是會被限定在 Matlab、SPSS、SAS等工具上。
機器學習工程師的職位是怎樣的？
機器學習工程師的位置更具有“技術性”。換句話說，機器學習工程師與傳統的軟件工程有著比數據科學更多的相同點。
ML 工程師的標準任務通常和數據科學家類似，但是你還需要處理數據，嘗試用不同的機器學習算法來解決問題、創建原型和現成的解決方案。
我要強調一下關鍵的區別：
- 一種或多種語言（通常是Python）的強大編程技能；
- 不太重視在數據分析過程中工作的能力，而是更加重視機器學習算法；
- 能夠基于現成的庫使用不同的技術，例如，NumPy 或 SciPy；
- 使用 Hadoop 創建分布式應用的能力等。
現在讓我們回到編程并仔細研究分配給程序員的任務。
程序員實際上就像數據分析師或業務系統開發人員。他們不必自己構建系統，只需針對現有系統編寫松散結構的代碼。是的，我們可以將數據科學稱為新的編程浪潮，但編碼只是其中的一小部分。所以不要誤會。
但如果深入挖掘，我們會發現還有其他術語，如 Software Engineer 和 Software Developer，兩者并不相同。例如軟件工程師必須設計工程。它們涉及生產應用程序、分布式系統、并發、構建系統、微服務等。而軟件開發人員需要了解軟件開發的所有周期，而不僅僅是實現（有時甚至不需要任何編程或編碼）。
那么，你現在感受到編程和機器學習的不同了嗎？我希望本文可以幫你避免對這些術語產生混淆。毫無疑問，這些人都有一些共同點，那就是技術，但之間的差異要大得多。因此機器學習工程師、軟件工程師和軟件開發人員完全不可互換。
