有一种叫做迁移学习（transfer learning）的方法，几乎可以用任何机器学习算法都不需要重新训练整个系统。例如，可以用一个预训练的网络，在顶部额外添加一个简单分类器，并且只对新的训练样本训练这个分类器，同时保留预训练的权重。这在相关任务的实践中表现良好。

不过，迁移学习存在局限性，要想让它工作得好，需要确保新的样本具有与原始样本相似的分布。

Liang Huang，宾夕法尼亚大学计算机科学系PhD（2008）- 92,987阅读，3回答

回答摘选：在AI深度学习中，你认为谁是Hinton，Lecun和Bengio之后的顶尖研究人员？

这个问题本身就是错误的。我们都知道，Schmidhuber的贡献与Hinton，Lecun和Bengio的贡献相比，如果不是更重要，起码是同等重要的。

DL中只有两个关键的idea：

CNN（Fukushima-LeCun）

LSTM（Schmidhuber）

其他一切，包括Hinton和Bengio的工作，相比他们都是次要的。这并不是说他们的工作不重要，他们在推广NN方面是非常重要的，但如果是说诺贝尔奖经常强调的“原创想法”，那么就是LeCun，更早的Fukushima和Schmidhuber。如果有DL的诺贝尔奖，那么应该选这些人。

Yoshua Bengio，蒙特利尔算法研究实验所负责人，蒙特利尔大学教授- 90,211阅读，112回答

回答摘选：如何进行机器学习的研究，只从Coursera或edX的MOOC获得知识够吗？

我不认为MOOC就足够了。你需要认真实践。例如，尝试重现在你感兴趣的一些论文的结果，参加Kaggle竞赛等。然后尝试作为访问学者、实习生或研究生加入学术实验室，与其他学生和研究人员合作进行深度学习的研究。

Shehroz Khan，ML研究员，多伦多大学Postdoc - 87,791阅读，715回答

回答摘选：机器学习是难度最大的吗？

在我念博士期间，有以为中国来的本科生（后来成为了硕士生，现在是博士生），他很轻松就能解决任何一个机器学习问题。他是个天才，我觉得对他来说任何事情都是可能的。我很震惊。

当你开始（或即将开始）做某件事情时，似乎总是很难。但当你完成了这件事，难度就变得微不足道了。对于数学家来说，ML的博士可能很简单。对于生物学家来说，ML学位可能十分难！ 如果你没有足够的技能，j2直播，背景知识，兴趣，激情以及毅力...任何学科的博士不仅艰难而且不可能实现。对我来说，超出我所在领域的任何程度的知识都是艰难的。特别致敬研究基础科学人——数学，物理，化学，生物学，艺术，人文，心理学，社会学……