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(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)

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(xué)習(xí)算法需要訓(xùn)練大量的數(shù)據(jù)集來建立更好的預(yù)測(cè)模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學(xué)習(xí)算法，因?yàn)樗麄儷@得的用戶數(shù)據(jù)是數(shù)以億計(jì)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(xué)習(xí)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(jī)器學(xué)習(xí)算法。如果你有一個(gè)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(xué)習(xí)算法。

以下是一個(gè)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(jī)器學(xué)習(xí)算法。

如果你認(rèn)為它對(duì)你有幫助，你可以多表揚(yáng)，也可以關(guān)注它。謝謝您

java開發(fā)，轉(zhuǎn)大數(shù)據(jù)好還是機(jī)器學(xué)習(xí)？

謝謝。我建議轉(zhuǎn)向大數(shù)據(jù)。

我也從事java開發(fā)，我對(duì)這個(gè)主題的糾纏也有同樣的感受。畢竟，如果我精通Java，我已經(jīng)付出了大量的學(xué)習(xí)精力。如果我學(xué)習(xí)機(jī)器學(xué)習(xí)，我基本上想告別Java，這無疑是一個(gè)非常不幸的選擇。

此外，轉(zhuǎn)向機(jī)器學(xué)習(xí)不僅需要深入了解python，還需要掌握數(shù)學(xué)算法，這是不可能一蹴而就的。因此，轉(zhuǎn)向人工智能的風(fēng)險(xiǎn)相對(duì)較高，很容易打亂一個(gè)人的職業(yè)規(guī)劃。

目前，大數(shù)據(jù)方向仍是一個(gè)需求量大、前景好的工作方向。Java廣泛應(yīng)用于大數(shù)據(jù)領(lǐng)域。單憑Hadoop生態(tài)系統(tǒng)就足以完成大量的大數(shù)據(jù)工作，而Hadoop和Java是分不開的。

最重要的是大數(shù)據(jù)方向不會(huì)低于機(jī)器學(xué)習(xí)的工資，機(jī)器學(xué)習(xí)還處于初級(jí)階段。別擔(dān)心工資問題。