深度学习最终会淘汰掉其他所有机器学习算法吗？
并不会 。俗话说：“用四个参数我可以拟合出一头大象，而用五个参数我可以让它的鼻子摆动 。”无论何时，机器学习首先考虑的都是简单的模型（比如线性回归、线性分类、决策树），而不是深度学习这样沉重的模型 。这不仅是为了节省算力，也是为了避免模型过于复杂导致的过拟合 。比如，知名的python机器学习库scikit-learn就不支持深度学习，但使用仍然十分广泛 。
包括Spotify、Evernote、Booking.com、OkCupid等知名公司都使用scikit-learn.（图为scikit-learn官网截屏）另外，强化学习现在也非常火热 。各种人工智能顶会上有大量强化学习方面的论文 。在一对一无限注德州扑克比赛中击败顶级人类选手的Libratus用的就是强化学习的技术，反事实遗憾最小化（counterfactual regret minimization）的新变体 。
也就是说，这个玩德州扑克的AI并不关深度学习什么事 。当然，现在的强化学习，常常结合了深度学习，也就是深度强化学习，比如Alpha Go. 这其实也反映了深度学习发展的趋势，和其他机器学习技术相结合 。总结一下，深度学习不会淘汰其他所有机器学习算法 。深度学习之外的机器学习算法仍有旺盛的生命力 。另外，深度学习也会和其他机器学习算法相结合 。
2017年机器学习面临解决的十大问题是什么？
1. 记忆网络 。我们必须意识到，人工智能需要更大的工作记忆空间存储信息 。2. 可微神经控制 。我们要寻找放大这些人工智能的办法，因为它们也是有潜能的 。3. 目标检测 。在电脑视觉和机器学习领域，图像识别和定位仍然是一个难题 。让我们在2017年让这些问题成为过去 。4. 注意力 。我们需要充分利用神经网络的注意力 。
目前这一问题尚未得到解决，但是，利用好电脑资源非常重要 。5. 推理 。一个能自动推理的机器学习系统才是最棒的 。6. 我们不能再有“一切都是可微的”的想法，因为真正复杂的人工智能往往都涉及非常强的智能系统，而它们并不是轻易可微的 。简化可微问题的引入意味着我们永远只能拥有很简单的机器学习系统 。当然，这只是我个人的观点 。
推荐阅读
- 看明年这些新机如何 明年5g手机
- 全球手机排行榜2022前十名 2022年换手机首选这3款
- 三桐为什么不招三年级学生
- 2022年3月 定制手机后盖
- 美系杜宾犬多少钱一只,德系杜宾犬PK美系杜宾犬
- 宠物测细小多少钱,扫拖一体机器人 全能基站多少钱
- iphonese2最低价，今年出iPhone8和iPhoneSE二iPhone6s会降价吗
- iphone11建不建议买，2021年iphone11建不建议买
- a60手机壳2021年新款,三星a60手机壳
- 北京青年河北开的什么车，北京青年河北开的是什么车