本文说的机器学习包含深度学习。

      机器学习（和深度学习）从学术界成功走向产业界，加上艺术化宣传，

      俨然给人一种取代人类工作的印象。

      其实，它有适用场景和局限。本文大致概括如下。

       不适合的场景：

1.缺乏数据来训练系统时，比如密码数据。

2.有些确定性算法更简单更快时。

3.逻辑证明，比如数学定理证明。

4.分析，模糊推理，翻译等认知问题

5.准确计算。

  我们的微积分，数论，编译器操作系统CPU,绝不可以出一点错，这些都不应采用

机器学习或神经网络来近似。有人说 下棋每一步不是准确的吗？人工智能确实

走出确定的步伐，但是这个步伐不是唯一的，别的步伐可能更优，不一定。

   适合的场景：

 总的来说，神经网络系统仅在满足如下一个或多个条件时选用：

1.     有大量经验（数据）可借鉴。

2.     仅需概率结论。

3.     应用场景和条件简单清晰。比如下棋的规则清晰。

4.     确定性、最优算法很慢或者很复杂时

5.  人脸识别等感知问题

6.  不一定最优解，次优解较优解可接受的情况，如下棋。

总的来说，机器学习对人脸，语音识别等感知问题较适合，

对精确和关键的领域，或者底层计算领域，分析和模糊推理等认知问题，

并不擅长。

   当然，这只是一般定性，没法制定一个适合不适合机器学习技术的截然标准。

【1】科学网—人工智能转入深度学习时代的方法论原因 - 徐明昆的博文 (sciencenet.cn)

【2】科学网—人类直觉的人工智能模拟 - 徐明昆的博文 (sciencenet.cn)

【3】科学网—深度学习基本原理 - 徐明昆的博文 (sciencenet.cn)

【4】科学网—人工智能（机器深度学习..)无关乎人的智能 - 徐明昆的博文 (sciencenet.cn)