java開發(fā)，轉大數(shù)據(jù)好還是機器學習？謝謝。我建議轉向大數(shù)據(jù)。我也從事java開發(fā)，我對這個主題的糾纏也有同樣的感受。畢竟，如果我精通Java，我已經(jīng)付出了大量的學習精力。如果我學習機器學習，我基本上

java開發(fā)，轉大數(shù)據(jù)好還是機器學習？

謝謝。我建議轉向大數(shù)據(jù)。

我也從事java開發(fā)，我對這個主題的糾纏也有同樣的感受。畢竟，如果我精通Java，我已經(jīng)付出了大量的學習精力。如果我學習機器學習，我基本上想告別Java，這無疑是一個非常不幸的選擇。

此外，轉向機器學習不僅需要深入了解python，還需要掌握數(shù)學算法，這是不可能一蹴而就的。因此，轉向人工智能的風險相對較高，很容易打亂一個人的職業(yè)規(guī)劃。

目前，大數(shù)據(jù)方向仍是一個需求量大、前景好的工作方向。Java廣泛應用于大數(shù)據(jù)領域。單憑Hadoop生態(tài)系統(tǒng)就足以完成大量的大數(shù)據(jù)工作，而Hadoop和Java是分不開的。

最重要的是大數(shù)據(jù)方向不會低于機器學習的工資，機器學習還處于初級階段。別擔心工資問題。

決策樹法適合什么決策？

決策樹方法是用樹形圖表示決策過程。樹形圖一般由決策點、方案分支、自然狀態(tài)點、概率分支和結果點組成。樹形圖顯示了兩個不同的決策環(huán)節(jié)，一個是主觀決策環(huán)節(jié)，另一個是客觀決策環(huán)節(jié)。決策樹方法適合于風險決策。

既然使用神經(jīng)網(wǎng)絡也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡這樣的深度學習算法需要訓練大量的數(shù)據(jù)集來建立更好的預測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學習算法，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡等深度學習算法。

如果樣本數(shù)量較少，則更適合使用SVM、決策樹和其他機器學習算法。如果你有一個大的數(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡和其他深度學習算法。

以下是一個圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)集大小選擇的任何機器學習算法。

如果你認為它對你有幫助，你可以多表揚，也可以關注它。謝謝您！