从社会学角度解读机器学习

机器学习的过程跟人类的学习过程是何其的相似。本质上都是在大量的实践上训练出一种能力，然后用这种能力来面向未知。

机器学习是在数据的基础上学习出一种泛化能力较强的模型，然后用于实际的业务场景。

这里的学习过程就是确定模型参数的过程，使用的主要方法是对误差函数的梯度下降方法，也就是求导。而可导就要求构造的误差函数是连续的。这也就解释了为啥，现实中为啥碎片化的时间不利于学习，同时也解释了为啥要长期的刻意练习，就是因为连续才能求导最终才能求解。

不同的任务使用的评估方式不一样，回归任务一般用均方差来，而分类任务则用准确率，这个指标更符合直观感受。深度学习的准确率有两个，一个是在训练集的，一个是在测试集的，事实上你可以通过增加更多隐藏层数和维度来讲训练集的准确率拟合到 100%,但重要的并非训练集的准确率，而是模型从未见过的测试集的准确率（泛化能力）。

正如高考，真正的目的是为了可以解出从未见过的高考题，而不是你已经做过的练习题，学习的困难之处正是要用有限的样本训练出可以符合无限同类样本规律的模型，是有限同无限的对抗。

你是否有想过，为什么看了那么多道理，听了那么多人生讲座，依然活不好这一生，一个原因就在于演讲者向你展示的例子都是训练集的样本，他所归纳出的方法可以很轻松的完美拟合这些样本，但却未必对你将会面临的新问题同样凑效。

人的一生都在学习，都在通过观察有限的例子找出问题和答案的规律，中医是，玄学是，科学同样是，但科学是当中最为可靠的一种。