人工智能是大数据天体物理时代的万能钥匙吗？

其次，机器学习是数据驱动的，所以缺少数据的科学问题要谨慎采用此方法，尤其是数据在参数空间的覆盖范围不够完备的时候，机器学习将给出有偏差的结果。当然，可以使用数值模拟的方式来改进数据的完备性和多样性，但这又导致机器学习给出的结果强烈依赖仿真数据的生成模型，因此应用机器学习解决此类问题的时候，需要尽可能详尽地设计仿真过程从而创建合理的训练样本。

另一方面，在数据体量满足条件的时候，缺少优质数据的科学问题也不太适合采用机器学习来解决，因为大量的劣质数据会导致机器学习模型对噪音（非真实优质的数据）做出响应，从而给出可信度很高的错误结果。解决此类问题时，对数据谨慎地预筛选和后筛选是必要的，以尽量避免“错进错出（Garbage in, Garbage out）”现象。

最后，也是最重要的：机器学习算法的不可解释性是被人诟病最多的短板，因此机器学习一直被比喻成黑盒，形象的地描述了机器学习算法对相关性敏感，但极其欠缺因果性的解释。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!