大家都知道，不管是什麼學科都有很多陷阱，由於我們對這一知識的了解不夠，就很容易掉進這個坑里，所以說我們一定要加強知識儲備。而在機器學習中有很多前輩們總結下來的陷阱，在這篇文章中我們給大家介紹一下機器學習中常見的兩個大坑，希望能夠幫助的大家盡早脫坑。
首先我們給大家介紹一下第乙個坑，那就是系統邊界模糊和巨型系統。其實機器學習系統與其他軟體系統相比，有乙個顯著的特點，那就是它是建立在實驗性、探索性開發的基礎上的。尤其是在初次搭建系統的時候，很難做到在完整設計的指導下開發，而大多是一邊探索嘗試一邊開發，到最後達到上線要求的時候，系統也就隨之成型了。不過這樣構建出的系統，有個很大的問題，就是很容易做成乙個邊界模糊、模組耦合、結構複雜的「巨型系統」，這種系統的典型特徵包括三點，第一就是模組間不可拆分，樣本、特徵、訓練等步驟都偶合在一起。第二就是很多實驗性、探索性**遍布其中，搞不清楚哪些在用，哪些已失效。第三就是pipeline特別長，其中包括一些可能已經無用的流程。
那麼為什麼會出現這樣的系統呢？重要原因之一就是前面提到過的，機器學習系統的探索式的本質。在剛開始做系統的時候，可能樣本處理、特徵處理這些都比較簡單，所以就都寫在了一起。隨著各個流程處理的精細化、複雜化，每個步驟都在變複雜，但是由於這種變化是在慢慢發生的，導致系統慢慢變得不可控。
機器學習中第二個坑就是不重視基礎資料架構建設，一般來說，資料是機器學習系統的核心，這裡面包括各種樣本資料，原始特徵資料，處理後的特徵資料，支撐資料等等，那麼提供這些資料的系統和架構也是同樣重要的，機器學習系統在構建初期，對待各種資料的態度往往是輔助性質的，認為這些資料只是為了模型服務的原料，而沒有把它們本身作為嚴肅的子系統來對待，所以這些資料的架構往往缺乏設計，大多比較隨意，可能會有很多難以復用**。不過這容易導致出乙個嚴肅而複雜的問題，這個問題不是一兩個簡單方法就可以解決的，而是需要從資料來源開始做仔細的設計，設計時充分考慮資料可能的用法，並留有一定擴充套件性，保證資料的可用性和可探索性。
公升級php7 公升級Php 7 4帶來的兩個大坑
每日17點準時技術乾貨分享 由於我機器用的滾動更新的archlinux，不知不覺php已經公升級到7.4了，沒想到這次更新帶來了極大的麻煩。首先是php fpm的新選項protecthome會導致經典的file not found錯誤，再是php直譯器會對null型別的下標訪問直接報錯trying ...
任意長度的兩個大數的乘法
方法 一 關於大數乘法，可以使用陣列來模擬小學三年級的乘法豎式計算過程，如下 include iostream include string using namespace std int main void cout 兩個大整數相乘的結果為 for i len 1 i 0 i 如果乙個負，乙個正，...
分治法求兩個大整數的乘積
分治法求兩個大整數的乘積 分治法求兩個大整數的乘積 把兩個 n位的大整數 u.v分割成長度為 n 3的三段，可以用五次 n 3位整數的乘法求得 uv的值。按此思想設計乙個兩個大整數乘積的分治演算法把 u分成u1 u2 u3三段，即 u u1 22n 3 u2 2n 3 u3 把 v分成v1 v2 v...