1回答

liuyubobobo

2019-03-01

已采纳

1）是不是在以后，明白了算法模型的原理后，就直接调用sklearn来实现即可？

是的：）这是因为，sklearn中所封装的，不仅仅是机器学习的算法，还包括大量的数值分析算法，保证了求解的正确性和快速性。同时，体系中建设，比如Pipeline等，都将让你在使用过程中更方便：）

2）以后每天的工作是不是就读文献，然后找到对应的轮子来调参实现？

看你的工作是什么。

如果你的工作是业务向的，那么八成是这样的。

如果你的工作是研究向的，那么看你研究的是什么。如果你研究的领域不是机器学习领域，而是其他领域，机器学习只是工具，那么八成也是这样的。（你的重点在具体领域，而非机器学习。）但对于研究向的，至少我接触过的几个领域，也会大概率的，简单调用sklearn的接口（或者现有框架的接口），是不能满足全部需求的。

但如果你的工作就是研究机器学习算法，或者是软件架构向的，或者在一些特别领域需要使用特殊的方法，那么八成不是这样的。因为对于这样的工作内容，sklearn（或者任何现有框架）是完全不能满足要求的。

毕竟，sklearn不是十全十美，机器学习也在不断发展，可以预见的，10年后人们大概率的不会用sklearn，即使用，版本号肯定不是现在的样子。不管是sklearn与时俱进，还是新的框架代替它，都是重要且富有创造性的工作。

比如，sklearn本身对深度学习的支持是非常不好的。如果印象没错，对简单神经网络的支持都是近年才加入的。更别提对于深度网络，cnn，rnn,等的支持，是完全没有的。所以才有tf，pytorch，keras等框架。但是这些框架就足够了吗？肯定不是。随着机器学习的不断发展，最新的，最前沿的技术，肯定是要先被单独实现，之后根据情况一步一步融入框架中（甚至很多算法由于过于复杂或者不通用，不会被涵盖在任何框架中）。难道alpha go是用现有框架调参出来的吗？：）

要说sklearn不支持的，或者支持不够的，那简直太多了。除了深度学习，再比如时序数据的分析；比如增强学习；比如自然语言处理；比如图像处理。。。。另一个角度是软件工程向的。sklearn的一个大的问题是：所有模型都是内存模型，都需要把所有数据读进内存执行。但是在大数据的今天，数据规模动辄几十个gb甚至上tb，怎么办？大概三年前，硅谷的一个团队开发了一个新框架，解决了这个问题。现在，这个团队已经被苹果收购了：）

更不用提，现在人工智能界，普遍对现有的所有框架都不够满意，甚至对这些框架所基于的语言都不够满意，在思考能否创造一个专门适于人工智能的研究和发展的语言，看，这又是一个大工程大项目，和调调参数截然不同。

当然，这个思路更底层了，要说底层，在硬件界，专门适用于某种特定人工智能算法的芯片（现阶段深度学习为主）也一直是一个研究方向（其实现在已经有对应的产品了）：）

所有的这些，都不是简单地调调参，都需要你在理解人工智领域的算法的基础上，结合更多其他领域的知识，创造出更新的产品和工具：）

加油！：）

13

0