Преглед садржаја:
Није ствар лагано схватати - започињање пројекта машинског учења може бити застрашујући процес за руководиоце који желе да искористе овај ИТ тренд, али им може недостајати интерно знање да би заиста разумели ствари и недостатке онога што чини машину пројекти за учење означавају.
Овде ћемо говорити о неким основним заблудама које утичу на то како компаније развијају технологије машинског учења на тржишту које се брзо мења. (Наука података је још једно поље које компаније примењују, али како се разликује од МЛ-а? Сазнајте у науци о подацима или машинском учењу? Ево како уочити разлику.)
Мит # 1: Више података је увек боље
Ово је заиста један од највећих митова машинског учења. Људи мисле да више података значи већу способност прилагођавања увидљивим увидима. У неким случајевима су у праву, али чешће, обрнуто може бити тачно.
