既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學習算法需要訓練大量的數(shù)據(jù)集來建立更好的預

既然使用神經(jīng)網(wǎng)絡(luò)也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學習算法需要訓練大量的數(shù)據(jù)集來建立更好的預測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學習算法，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學習算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機器學習算法。如果你有一個大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學習算法。

以下是一個圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機器學習算法。

如果你認為它對你有幫助，你可以多表揚，也可以關(guān)注它。謝謝您

同一個視頻可以發(fā)到好幾個平臺嗎？如果已經(jīng)發(fā)出去了，會有什么嚴重的后果？

讓我回答你的問題。當然，同樣的視頻可以發(fā)送到幾個不同的平臺，對吧？就像你去電影院看電影一樣，在電影院看完電影，愛奇藝或者優(yōu)酷會不會再出現(xiàn)這部電影？不同的平臺有不同的粉絲，并不是所有的粉絲都集中在一個平臺上，所以同一個視頻出現(xiàn)在不同的平臺上是非常正常的，每個平臺也歡迎創(chuàng)作者把自己的內(nèi)容上傳到自己的平臺上。當然，有一個竅門，就是同一個視頻，不是在同一個公司如果幾個平臺同時發(fā)布，會有重復，但是大部分平臺是獨立的，所以我們基本上不用太擔心。只要你有好的內(nèi)容不斷創(chuàng)造，然后在不同的平臺上發(fā)布，你就能得到更多的粉絲和更多人的關(guān)注。也許你會在哪個站臺爆發(fā)，對吧？別擔心。

算法的核心是什么，數(shù)學就是算法嗎？

我認為這種理解并不全面。首先，算法的核心是如何利用抽象的數(shù)學模型來解決這個實際問題，而實現(xiàn)的手段是通過代碼編程，所以算法的核心是數(shù)學，基本上是精確的。但是說數(shù)學是一種算法是一個大問題。數(shù)學涉及面很廣。它是一個自洽系統(tǒng)。隨著人類認識水平的提高，數(shù)學也在不斷發(fā)展，許多新的數(shù)學工具被開發(fā)出來幫助我們解決實際問題。

因此，如果數(shù)學是它背后的真理理論，那么算法就是用部分真理來幫助我們解決一些具體問題。這是我的理解。

OpenCV已經(jīng)將圖像處理(識別)的算法寫成函數(shù)了，那我們還有必要去學習這些算法嗎？

這取決于你的目的。比如說現(xiàn)在的車這么先進好用，你還需要了解變速箱的原理嗎？這取決于你的目的。如果只是普通駕駛，你不需要知道。如果你是一個機械師，你必須理解。如果你是一個汽車制造商的工程師，你必須對它非常了解。簡言之，這取決于具體的需要。