如果懒惰是人类的天性，那为什么要去责怪机器抢走了人类那些重复性的劳动？
在科技发展的今天，很多事情人们都不再亲力亲为，要么交给了专业人士，要么交给了机器。于是有一部分人称为了专业人士，一部分人成了专业忽悠，一部分人去捣鼓机器，然后一大部分人被解放出来，获得了休闲。
在休闲之余，有人不禁惶恐，这机器把人能干的事情都干了，那人怎么办？
个人认为，机器目前代替人们所做的事情，大部分是机械重复的劳动，而被解放出来的人，能够去做更多的创造性的事情。有人说不会，其实未必那么难，人类可以创造的东西很多，有人创造希望，有人创造焦虑，有人创造快乐，有人创造痛苦，有人创造生活，有人创造活法，只要你愿意去动动脑筋，你的生活，何尝不是别人梦寐以求的诗与远方。
说到机器代替人的劳动，个人认为，这就是由单独变成批量化进行的过程，是不同技术带来的变革。曾经独立的个体制造，变成了机械化的批量生产。曾经一人一骑的单独旅行，变成了车船的多人出行。曾经一群人做一件事，一个人做一件事，到一个人做多件事，到不需要人，做多件事。曾经的一个一个，变成了一批一批。其实都是一个道理。只是曾经的蒸汽机、汽车、数控机床，在这一次变成了一个叫做电脑或者机器人的东西。所以我想提醒自己的是，在做事时，如何将批量思维，运用到事物中去，或许是提升自己的一个途径。
在《机器学习》一书中，作者Tom M. Mitchell在解释机器学习时这样写道：
如果一个计算机程序针对某类任务T的用P衡量的性能根据经验E来自我完善，那么我们称这个计算机程序在从经验E中学习，针对某类任务T，它的性能用P来衡量。
这句话让我对机器学习的理解，有了一种豁然开朗的感觉。之前不好好看书的我，就知道机器学习是分为监督学习非监督学习，机器学习问题分为回归问题和分类问题，来，咱们准备点数据，来拟合个回归模型，来拟合个分类模型。然而学是学了，还是迷迷糊糊的。今天仔细看了书，觉得这句话给我带来莫大的启发。
机器学习是一个指向某个任务的过程。一切的行为都是为了完成这个任务，或者说，更好的完成这个任务。
记得本科老师讲给我的一句话，至今记忆犹新：
工作服务于目的，数据服务于算法。
在机器学习过程中，数据是基础，模型有大佬开发，我这样的调包猿好好的学习如何运用模型就好，而任何一个模型，无论我懂不懂，调用进来后，都会给我返回一个或者多个结果，我就得去学会判断模型的好坏，有了判断，然后得到一个相对较好的模型，来帮助我完成，我的目标任务。总结如下：
- 准备好数据，这里要对数据有认识，知道什么样的数据，什么样的数据形式，适用于什么样的模型，在模型调试过程中，是否还有对数据的处理，都是需要考虑的问题。
- 了解模型，学习大佬们写好的模型，了解每个模型的应用场景，优缺点，可调参数等等。
- 学习如何评估模型，模型的调用很简单，数据准备好，差不多fit以下就行，那么，判断模型表现变得尤为重要，如何在多种模型当中寻找适合的组合，如何调整模型参数，得到更好的反馈。这是我能做的事情。
- 将模型应用于任务，然后总结经验，积累成长。
