机器学习（ML）作为一个领域至少已经存在了几十年。由于各行各业技术人士深入的学习、研究，这个术语现在成为一种主流，不再局限于研究和学术界。

在激活功能和反向传播的所有复杂数学的背后，深度学习是对大脑中神经元网络的抽象体现，可以模拟他们学习和概括信息的迷人能力。

深度学习的巨大成功意味着在设计来自人类的算法方面具有价值。相反呢？

从机器学习的实践中我们能学到什么有价值的东西吗?

机器学习不仅仅是神经网络和深度学习，还是一个拥有众多智能算法的领域，能够推断出复杂的模式并对未知进行预测。

以下是在ML领域非常有吸引力的六件事，可能会作为经验教训为大家生活的方方面面提供一些帮助。

1.相信多样性的力量（随机森林）

随机森林的健壮性有助于收集不同的决策树，每个决策树都试图解决部分问题。

没有哪个随机森林是只有一棵“树”的。

同样，当来自不同背景的人和团体合作共同工作时，得到的结果往往是不错的。如果我们只把自己局限在与我们最相关的小社区内，就限制了我们的真正潜力。

2.从错误中学习（梯度提升）

梯度提升不是使用不同分类器的集合，而是利用错误并以迭代的方式不断改进基本分类器。

像梯度提升机器一样，我们需要认识到没有人是完美的，我们都会犯错误。识别错误并学习生活教给你的教训很重要。

不要被你的成就所迷惑，而应该专注于纠正你生活中每个阶段出现的缺陷。

3.每个问题都有一个解决方案（核心方法和SVM）

内核方法在支持向量机中很受欢迎。它们用于将低维的不可分离数据转换为更高维数，并使用决策边界来分离类别。

生活并不总是充满玫瑰和彩虹。它给我们带来了难以解决的问题，而没有现成的解决方案。在那些绝望的时刻，可能有一些东西是你没有意识到的，往往在生活中也是有出路的，这很令人欣慰的。

保持冷静并从更高的维度进行思考。

4.接受并改变个人信仰（贝叶斯定理）

贝叶斯定理在获得关于相关事件的附加信息之后，会更新事件的先验概率。

同样，我们都有先入为主的观念和对人、文化和社会的假设。这些信念是建立在我们的社会、经济和人口之上的。

当我们遇到挑战我们以前的信念的新情况时，我们有意识地自我更新是至关重要的。

永远不要对变化保持不可知的状态。

5.应该考虑目前的决定（梯度下降）

从回归到神经网络、梯度下降是许多机器学习算法的学习部分。原则是始终沿着最陡峭的下坡路线到达预期的目的地。

我们经常会遇到需要我们作出决定的情况，并在众多替代方案中选择一种方案。这些决定对未知的未来有很多潜在的影响。

梯度下降为我们提供了一种捷径，它总是为现在做出最佳选择，而不必担心未来的过程。

不要等待理想的解决方案，你永远不会知道什么是最重要的。

6.关系随时间而变化（k-均值）

k-means算法通过分配和重新分配数据到不同的组，迭代地提高聚类质量，直到达到平衡。

人际交往和情绪在建立我们的关系中起着至关重要的作用。这毫不奇怪，当这些关系紧张时，我们会感到崩溃。

我们应该意识到即使再强大的关系也可以在任何时候改变或结束，即使是没有明显的错误，就像k-means一样，尽可能接受事实并珍惜你的亲人。

如果你有类似的算法或其他学习范式的经验。我们都可以相互学习，包括机器学习。