现在的机器学习是一个十分流行的事物，这还得归功于人工智能的功劳。现如今，越来越多的人们开始关注人工智能，因而开始关注机器学习。我们在前面的文章中给大家介绍了很多机器学习需要明白的事情，在这篇文章中我们会继续为大家介绍机器学习中需要明白的事情。希望这篇文章能够更好地帮助大家了解机器学习。

首先，我们需要知道的是，机器学习中只有数据是不够的，如果我们把泛化当成目标还有另一个重要的后果：不管你有多少数据，只有数据本身是不够的。当看到这里，我们可能悲观的认为在机器学习中学不到东西，其实并不是这样的，这是因为我们想要在现实世界中学习的函数并不是由所有数学上可能的函数集合而来。事实上，一般的假设都能够很好的完成，这是因为有很多比如平滑、具有相似的类的相似例子、有限的依赖关系，或者有限的复杂性，因此这些假设通常都能很好地完成，这也是为什么机器学习如此成功的一个重要原因。像演绎法一样，归纳法是一个知识杠杆，具体就是将少量的输入知识转化为大量的输出知识。归纳是一种比演绎更强大的杠杆，用较少的输入知识来产生有用的结果，但它仍然需要输入知识大于零才能工作。和任何杠杆一样，我们投入的越多，我们就能得到更多。所以机器学习中我们不能只是依靠数据。

看到了这里，我们可以发现其实学习知识的必要性并不令人惊讶。机器学习并不是能够无中生有。机器学习所做的是从很少的东西中学到更多。和所有的工程一样，编程也有很多工作要做，这就需要我们必须从头开始构建一切。学习更像是一种耕作，它可以让大自然完成大部分的工作。学习者将知识与数据结合起来，以发展项目。这就是我们所说的机器学习的具体内容。

在这篇文章中我们给大家介绍了机器学习初学者需要注意的内容，那就是要清楚机器学习中只是有数据是不够的，还需要很多其他的知识，这样我们才能够撬动知识的杠杆，得到更多的知识。所以我们在进行机器学习中不但要重视数据还需要重视其他的内容，只有完善机器学习的知识体系我们才能够更好地掌握机器学习的内容。