学术界和行业界在构建机器学习和深度学习模型方面的七个差异
学术界和行业采用不同的方法来构建机器学习和深度学习模型
这是七个差异
1）准确性方法：在研究或学术界时，您专注于提高准确性（或某些其他指标）而与成本无关。精度为95％的应用程序的行为可能与精度为96％的应用程序相差无几。在行业中，您需要考虑添加该额外百分比的成本，尤其是如果用户可能看不到其中的任何价值
2）培训与服务：当您处于研究模式时，无需多次构建和服务模型。在生产中，您会做。这意味着服务模型（管道）与训练模型同等重要
3）注重工程：扩展以上内容，在商业系统中，工程重点（端到端管道）非常重要。因此，数据科学家的角色与其他两个角色（数据工程师和devops工程师）相辅相成
4）不太强调大型型号：大型型号无法制造理想的产品。它们太昂贵而无法培训，太大而无法安装在消费类设备上，并且太慢而无法对用户有用。在研究阶段，您通常并不关心模型的大小，但是在现实生活中您确实会在意。
5）了解基线：选择基线很重要。您在什么因素上选择基线以及如何量化？您如何证明您的算法已改善基线
6）了解数据的复杂性：包括隐私，偏见和可解释性
7）我最喜欢的.. 过早地专注于深度学习深度学习模型通常训练起来很昂贵，而且很难解释。在大多数情况下，在生产中，它们只有在其性能毫无疑问地优越时才有用。大多数现实世界中的问题甚至都不需要深度学习。深度学习需要数据，而要收集数据，您可能首先需要用户。为避免陷入困境，您可能想在没有深入学习来收集用户数据来训练系统的情况下启动产品。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！