人工智能与大数据开发中华盛顿大学教授Pedro Domingos总结的12个注意点值得重视数据质量与规模注意1-3数据未必可靠——分布偏差、缺失值、格式不统一等问题普遍存在。规模至关重要小数据上有效的算法在大数据集上可能失效而更多数据训练的简单算法往往优于受“维度诅咒”限制的复杂模型。同时计算需要时间响应速度直接影响商业应用成败。算法选择与局限注意4-6不同算法扩展能力各异设计时需考虑并行化可行性。没有万能算法需针对场景选择。数据也非万能先验知识结合数据能事半功倍。训练与泛化注意7-9参数微调可能导致训练时间从数秒变为数小时。机器学习目标在于泛化能力需通过交叉验证等手段验证。高维空间中人类直觉常常失灵。特征与模型注意10-11特征工程至关重要仅靠“扔数据”无法获得好结果。模型组合如集成学习能显著提升精度Netflix冠军队伍即组合了超百个模型。因果关系注意12相关不意味着因果海盗减少与全球变暖的调侃正是例证——需警惕未被观察的第三变量。以上要点帮助AI应用从实验室走向实践时更稳健强大。