大家好，今天小编关注到一个比较有意思的话题，就是关于python机器学习和深度的问题，于是小编就整理了3个相关介绍Python机器学习和深度的解答，让我们一起看看吧。
python化学科研做什么？
Python在化学科研中扮演着重要角色，可以用于数据处理、可视化、建模和模拟等多个方面。例如，科学家可以使用Python编写脚本来处理实验数据、绘制图表、分析结果、优化化学反应和预测分子结构等。
此外，Python还可以用于机器学习和深度学习，可以训练模型来预测物质性质、分子间相互作用和反应动力学等。总之，Python在化学科研中具有广泛的应用前景，可以提高研究效率和成果质量。
在大型项目上，Python是个烂语言吗？
你好，我是比特币二师兄，是一个爱投资的程序猿。
在大型项目上，Python并不是一个烂语言。
1、Python是一个开源的项目，因此支持的Python的开发者很多，围绕Python开发了一系列的开源组件，以及开源软件。
2、Python是一种脚本语言，可以做一些脚本语言，并且嵌入其他开发语言当中，以及可以做一些常用的小程序。
3、Python开源的库很多，可以不用重复造轮子，可以在很大程度上减轻开发的压力负担。
4、Python目前与机器学习、深度学习等领域有很深入的交叉，很多大学都支持学习Python，而且在研究生的学习当中，设计机器学习、深度学习等课程的时候，大部分案例都是用Python实现的，因为Tensorflow、PyTorch等机器学习、深度学习库都支持Python语言，开发起来有很大的便捷性。
回答问题：大型项目上，Python是个烂语言吗？
Python不是一个烂语言，而且烂不烂也不分项目大小。实在语言本身没有烂不烂的，要看什么应用下做对比，比如C像拖拉机，他在耕地领域绝对牛逼，但你把它放在高速上它就不行；JAVA像挖掘机，你让它挖土没谁能比过它，但你让它跑路它也不行；C++像小轿车，你把它放高速上没谁比它更舒服，但你让它去推土它推不动。
其实没有烂语言，只有烂人，语言再优秀，人写出来垃圾代码一样很烂。就像给你一辆跑车，你各种不遵守规则，各种一通胡弄，拿他去犁地、挖土，它一定很烂！
还有一种烂，是思想烂，思维烂，语言本身用的再好，没有解决问题良好的思路，也一样是烂的，就像一个好司机只会开车，却是个路痴，各种找不到方向，依然无法到达终点。
最后，没有烂工具，也有不会使用工具的烂人，加油！
深度学习最终会淘汰掉其他所有机器学习算法吗？
并不会。
俗话说：“用四个我可以拟合出一头大象，而用五个参数我可以让它的鼻子摆动。”
无论何时，机器学习首先考虑的都是简单的模型（比如线性回归、线性分类、决策树），而不是深度学习这样沉重的模型。这不仅是为了节省算力，也是为了避免模型过于复杂导致的过拟合。
比如，知名的python机器学习库scikit-learn就不支持深度学习，但使用仍然十分广泛。包括Spotify、Evernote、Booking***、OkCupid等知名公司都使用scikit-learn.
（图为scikit-learn***截屏）
另外，强化学习现在也非常火热。各种人工智能顶会上有大量强化学习方面的论文。
在一对一无限注德州***比赛中击败顶级人类选手的Libratus用的就是强化学习的技术，反事实遗憾最小化（counterfactual regret minimization）的新变体。也就是说，这个玩德州***的AI并不关深度学习什么事。
当然，现在的强化学习，常常结合了深度学习，也就是深度强化学习，比如Alpha Go. 这其实也反映了深度学习发展的趋势，和其他机器学习技术相结合。
首先哈，建议复习一下NFL理论，No Free Lunch。
深度学习模型无法应用在所有传统机器学习能用的场景。第一个原因，也是业界最常提起的，就是解释性。以风控领域为例，要求决策具有可解释性，例如你得清晰的解释清楚，某个客户的信用分为啥是这个分数，或者说，为啥你觉得这个客户高风险而另一个客户低风险？对于风控场景，数据清洗是非常重要的事，否则只会是garbage in garge out。第二个原因，深度学习算法很难理解业务。也许有的情况在结构化数据（例如dataframe）上用深度学习有点效果，但在多数情况下，对这些数据应用深度学习模型很有可能会造成严重的过拟合。第三个原因，成本。有的算法的使用场景是经不起等待的。不是所有厂都是大厂，对于多数小厂来说，能用就行了。
谢邀，我可以很准确地说，不会。
各有各的长处，各有各的短处。
可能首先要明确一点，深度学习为何被称为“深度”？从现在的技术角度看，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
而普通机器学习算法为什么在面对大数据时有时候无法体现其优势呢？是因为在工程界有这么一说，要达到同样的模型水准，要不就是复杂模型+简单特征，要不就是简单模型+复杂特征。深度学习属于前者，它有很多参数需要调优，是一个非常庞大的参数模型。的机器学习模型属于后者，需要有强有力的特征来分离数据，最终得出不同的类别。
总的来说，目前深度学习确实有很多好处，譬如对我而言就很简单暴力了，不用花很长时间进行调参，把数据清洗一下扔进去看看结果，[_a***_]不好就调整参数继续尝试，而做一般机器学习模型可不是这样，要做很多特征工程。但深度学习在工程上有个至今为止没有解决的问题，它是个“黑盒”，可解释性差，导致系统出现bug无法迅速找出原因或者回溯之前的错误，所以在做工程而言，我们实际上更倾向于较少的特征工程和可解释性强的模型就可以得到较好的结果，很期待未来深度学习的进一步发展。
如果你对学习人工智能和深度学习感兴趣，可以订阅我的头条号，我会在这里发布所有与算法、机器学习以及深度学习有关的有趣文章。
（码字不易，若文章对你帮助可点个赞~）
到此，以上就是小编对于python机器学习和深度的问题就介绍到这了，希望介绍关于python机器学习和深度的3点解答对大家有用。
