1樓：zighouse
svm非常經典，結構非常清晰、簡單，在應對特徵簡單的任務時十分有效。但是這就像在工程中使用級數一樣，如果在某個工程領域內還沒有找到內在的關鍵變換，只好用個已知形式的級數並通過堆積更多的項來湊精度了。如果被運氣砸中，讓你靈光一閃地發現了乙個關鍵的內在變換，可以把領域內的非線性轉化成線性，那就要恭喜你了。
2樓：GorgeousShar
個人認為在於問題本身吧，SVM和ANN本來就是兩個極端，SVM在小樣本 mobilenet之類的也有它速度快，精度好的效果，至少不用一跑跑一天
3樓：人形Machine
在吳恩達最早一版的機器學習公開課中，他也曾經坦言，「目前學術界認為支援向量機是最好的分類器」。我也認為，目前的深度學習的火熱並不代表其他的分類器沒有可取之處。
1、空間劃分分類
我認為不管是邏輯回歸和支援向量機這種超平面劃分，還是決策樹這種對空間的切割。這種思想最大的特點是不是用函式逼近而是基於樣本分佈來學習如何劃分空間。對於樣本覆蓋比較全面的問題有很好的表現，特別是對於社會科學的資料。
2、概率判別
主要代表是樸素貝葉斯和一族概率圖模型。最大的優點是給出的是乙個確切的概率論下的推斷，某種意義上我認為這才是模型「聰明」的體現。
3、深度學習
深度學習最可取的地方就是深度結構對於抽象特徵的學習。而這種特徵往往不是人類基於常識和知識可以做特徵工程可以解決的。
4、整合方法
本人更喜歡使用整合學習，最大的特點就是集「好而不同」群體為乙個決策，非常的魯棒。其實當我們在講乙個智慧型體的時候其實是在講乙個智慧型組，弱分類器往往像芸芸眾生一樣平凡，但是各有擅長和分工，最終形成的社會群體出現了共同協作和智慧型。
學者們學習、研究多年，不是為了守住已有的知識故步自封，而是不斷地融合前人經驗，用多元的思維去質疑「最熱的」和「最好的」，我相信未來真正的人工智慧一定不是某乙個演算法帶來的，而是不同演算法組的整合協作。
4樓：
神經網路與支援向量機一直處於「競爭」關係。SVM應用核函式的展開定理，無需指導非線性對映的顯示表示式。由於是在高維特徵空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的複雜性，而且在某種程度上避免了「維數災難」。
而早先的神經網路演算法比較容易過訓練，大量的經驗引數需要設定，訓練速度比較慢，在層數比較少的情況下並不比其它演算法更優。
神經網路模型貌似能夠實現更加艱難的任務，如目標識別、語音識別、自然語言處理等。但是，應該注意的是，這絕對不意味著其它機器學習方法的終結。儘管深度學習的成功案例迅速增長，但是對這些模型的訓練成本是相當高的，調整外部引數也是很麻煩。
同時，SVM的簡單性促使其仍然為廣泛使用的機器學習方式。
5樓：言有三
從實踐上來說，可能真的再也用不上svm了，但是svm多麼的經典，當你疲憊於神經網路時，不妨看看，實際上沒有個幾千維輸入特徵的任務，還是不適合用神經網路的。
新能源汽車目前發展到什麼階段了？
滿格電教育 1.中國純電動汽車的發展現狀 由工業和資訊化部發布的資料可知,2014年中國新能源汽車生產78499輛，銷售74763輛，比2013年分別增長3.5倍和3.2倍。其中純電動汽車產銷分別為48605輛和45048輛，比2013年分別增長2.4倍和2.1倍 插電式混合動力汽車產銷分別完成29...
電化學目前發展到哪個階段了，目前還有哪些問題不清楚？
圓的方塊 電化學發展了100多年了，是一門成熟的學科了，成熟到 電化學 已經成了很多領域研究的工具手段。近些年隨著新型應用的發展，還是湧現出很多有趣的問題。個人觀點哈，電化學的主要問題在於 電化學體系的複雜性 與 我們理解力的有限性 的矛盾。舉兩個小例子 1 電化學阻抗 EIS 的解釋 電化學阻抗譜...
哲學現在發展到什麼階段了，是在進步還是過去某種哲學的原地踏步？
哲學為何p開頭 1 由 form in logos 形式邏輯，2 化繁為簡，而詞項 formal logic 邏輯，3 簡之又簡，數理 mathematical logic 邏輯，西方哲學到了這個階段，已經十分簡單 4 邏輯框架 數 l o 2 自然數 345678繼任者 g 虛實數 i 事物 c ...