既然使用神經網絡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？這取決于數據量和樣本數。不同的樣本數和特征數據適合不同的算法。像神經網絡這樣的深度學習算法需要訓練大量的數據集來建立更好的預

既然使用神經網絡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？

這取決于數據量和樣本數。不同的樣本數和特征數據適合不同的算法。像神經網絡這樣的深度學習算法需要訓練大量的數據集來建立更好的預測模型。許多大型互聯網公司更喜歡深度學習算法，因為他們獲得的用戶數據是數以億計的海量數據，這更適合于卷積神經網絡等深度學習算法。

如果樣本數量較少，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據集，你可以考慮使用卷積神經網絡和其他深度學習算法。

以下是一個圖表，用于說明根據樣本數量和數據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，也可以關注它。謝謝您

首先，它取決于基礎，如數學、軟件、算法、建筑學、心理學、自動化、腦科學、統(tǒng)計學等等。

其次，要看你想解決哪些問題，比如視覺識別、自動駕駛、天氣預報、語音語義學、定量金融、圖像處理、金融分析等，每個領域的要求都不一樣。例如，那些做醫(yī)學碰撞診斷的人需要學習一些影像學知識。

需要找一位有學問的專業(yè)老師，如果自學，就必須進入專業(yè)交流圈。