企业需要先在小型的、明确定义的项目上训练数据科学家。企业可以通过在线课程将他们的员工培训成数据科学家，比如 coursera 上的斯坦福机器学习课程。但是只有培训还不够，人们必须进行实践。一种不错的实践方式是参与机器学习竞赛。一些网站举办了这类竞赛。

　　Q

　　强化学习有何难处？它是否更接近通用的 AI？

　　强化学习旨在获知下一步最佳行动。在可能操作数量有限的领域，比如棋类游戏 (Go) 或 Poker，强化学习取得了巨大成功。如何才能将这些成功扩展到可能操作数量无限的实际情况中，让我们拭目以待。如果我们能实现此操作，那么我们就离通用 AI 更进了一步。

　　Q

　　我正在尝试预测采用机器学习的产品的价格。在经过训练的数据中，产品的价格和其他参数是已知的。我想知道我应采取哪种算法，监督式算法还是无监督算法？IBM 的当前产品能派上用场吗？

　　您需要使用回归算法。我猜您既想了解艺术图像，又想了解元数据，比如艺术家、创作年份、尺寸、材料等。我推荐采用深度学习来处理这些图像，采用经典机器学习来处理其余信息。我最喜欢的经典机器学习算法是梯度提升决策树，j2直播，比如 XGBoost 或 LighGBM。我们打算在 IBM ML 中支持这些算法。

　　Q

　　您认为机器学习中存在隐私问题吗？

　　是的，肯定存在。考虑将机器学习用于医疗健康领域，例如根据肺部放射学信息来诊断癌症。要训练机器学习模型，需要获得大量的肺部放射学信息样本。如果不小心处理，就有可能从训练数据中识别出谁患有癌症和谁没患癌症。这是一种严重的隐私泄漏，这种举动在一些国家可能是非法的。处理这种情况的一种方法是在将数据发送到机器学习程序之前对它进行匿名化。

　　Q

　　是否可以结合使用深度学习与传统编程？NTM 的发展是否会取代一些程序的发展？

　　我不确定我是否正确理解了这个问题。如果您问的是结合使用深度学习与传统机器学习，答案当然是肯定的。例如，如果您的训练数据是图片和结构化数据的组合，您应该采用一种集成方法。使用图片训练深度学习模型，使用剩余特征训练经典机器学习模型，然后使用第三个分类器将前两个模型的预测结果作为输入。