What Machine Learning Can Teach Us About Life - 7 Lessons

eugeneyan

eugeneyan

Начните отсюда Тексты Выступления Прототипирование О себе

What Machine Learning Can Teach Us About Life - 7 Lessons

Чему машинное обучение может научить нас в жизни — 7 уроков

[ machinelearning life ] · 11 min read

[ machinelearning life ] · 11 мин чтения

I think a lot about machine learning. And I think a lot about life. Sometimes, the channels mix and I find certain lessons from machine learning applicable to life.

Я много думаю о машинном обучении. И я много думаю о жизни. Иногда эти каналы пересекаются, и я нахожу определённые уроки из машинного обучения применимыми к жизни.

Here are seven lessons. While I assume most readers are familiar with these machine learning concepts, I begin each lesson with a brief explanation.

Вот семь уроков. Хотя я предполагаю, что большинство читателей знакомы с этими концепциями машинного обучения, я начинаю каждый урок с краткого объяснения.

Data cleaning: Assess what you consume

Очистка данных: оценивайте то, что потребляете

We clean data so our downstream analysis or machine learning is correct. As Randy Au shares, data cleaning isn’t grunt work; it is the work.

Мы очищаем данные, чтобы наш последующий анализ или машинное обучение были корректными. Как пишет Randy Au, очистка данных — это не чёрная работа, это сама работа.

We don’t use data without exploring and cleaning it. Similarly, we shouldn’t consume life’s inputs without assessing and filtering them.

Мы не используем данные без их исследования и очистки. Аналогично, мы не должны потреблять жизненные входные данные без оценки и фильтрации.

Take food for example. How often do we reach for what’s widely available and easy to prepare? Until a few years ago, I was happily munching on a bowl of Sugary-Os cereal daily. Now that I’m more aware of my family’s history with diabetes, I’m more selective and pay greater attention to nutritional content. Also, as age catches up and my metabolism slows, I have to make a conscious effort to eat healthier and avoid junk food.

Возьмём, например, еду. Как часто мы тянемся за тем, что доступно и легко приготовить? Ещё несколько лет назад я с удовольствием уплетал миску сладких хлопьев Sugary-Os каждый день. Теперь, осознавая семейную историю с диабетом, я более избирателен и уделяю больше внимания пищевой ценности. К тому же с возрастом метаболизм замедляется, и мне приходится прилагать сознательные усилия, чтобы питаться здоровее и избегать вредной еды.

Sugar is "good" for you (source)

Сахар «полезен» для вас (источник)

It’s the same with content. News outlets and social media rank information based on virality and advertising dollars. “Empty calorie info-bites” that are easy to consume—but don’t enrich us—circulate faster. Misinformation is rampant. Some content is in poor taste and downright toxic, and attempts to engage don’t end well. For sanity’s sake, just filter it out. Curate your news sources and who you follow on social media.

То же самое с контентом. Новостные ресурсы и соцсети ранжируют информацию по вирусности и рекламной ценности. «Пустые информационные калории», которые легко потреблять, но которые нас не обогащают, распространяются быстрее. Дезинформация повсюду. Часть контента находится в дурном вкусе и откровенно токсична, а попытки вступить в дискуссию заканчиваются плохо. Ради сохранения рассудка просто фильтруйте это. Курируйте свои источники новостей и тех, на кого вы подписаны в соцсетях.

A final example, relationships. We all have people in our life that do more harm than good. They distract or discourage us from our productive habits. Some talk behind our backs and play manipulative games, despite our best efforts to make things work out. Letting go of them makes way for more productive relationships to blossom.

Последний пример — отношения. У всех нас есть люди в жизни, которые приносят больше вреда, чем пользы. Они отвлекают или отбивают желание заниматься продуктивными привычками. Некоторые сплетничают за спиной и играют в манипулятивные игры, несмотря на наши лучшие усилия наладить отношения. Отпустить их — значит освободить место для расцвета более продуктивных отношений.

Low vs. high signal data: Seek to disconfirm and update

Низкосигнальные vs высокосигнальные данные: ищите опровержения и обновляйтесь

In addition to filtering out the noise, we also want to deliberately find data that updates our decision boundary.

Помимо фильтрации шума, мы также хотим целенаправленно искать данные, которые обновляют нашу границу решения.

As we get disconfirming data, the decision boundary shifts (center) and becomes non-linear (right)

По мере получения опровергающих данных граница решения сдвигается (в центре) и становится нелинейной (справа)

In the left image above, we start with two easily separable clusters and a linear decision boundary with a wide margin. (The circled points—one blue, two red—are the support vectors.) In the center image, with a single new data point, the decision boundary shifts greatly and the margin shrinks. On the right, as we get more data, we learn that a non-linear decision boundary (and a soft margin) works better.

На левом изображении выше мы начинаем с двух легко разделяемых кластеров и линейной границы решения с широким зазором. (Обведённые точки — одна синяя, две красные — это опорные векторы.) На центральном изображении с единственной новой точкой данных граница решения сильно сдвигается, а зазор сужается. Справа, по мере получения новых данных, мы узнаём, что нелинейная граница решения (и мягкий зазор) работает лучше.

In life, we should also consciously seek data that updates our assumptions, hypotheses, and decision boundaries. Kind of like the opposite of confirmation bias.

В жизни мы тоже должны сознательно искать данные, которые обновляют наши предположения, гипотезы и границы решений. Что-то вроде противоположности confirmation bias.

True ignorance is not the absence of knowledge, but the refusal to acquire it. – Karl Popper

Истинное невежество — это не отсутствие знаний, а отказ их приобретать. — Karl Popper

Take feedback for example. Getting positive feedback is akin to adding more data on the correct side of the decision boundary—it’s always appreciated but doesn’t help much with improvement. I’m more interested in receiving negative feedback so I can update my life algorithm and grow.

Возьмём, например, обратную связь. Получение положительной обратной связи похоже на добавление новых данных на правильной стороне границы решения — это всегда приятно, но мало помогает в улучшении. Меня больше интересует получение негативной обратной связи, чтобы я мог обновить свой жизненный алгоритм и расти.

Explore-Exploit: Balance for greater long-term reward

Explore-Exploit: соблюдайте баланс ради большего долгосрочного вознаграждения

In reinforcement learning, we face the exploration-exploitation trade-off. We can either explore to get more information (e.g., transition probabilities, rewards) that might lead to better future decisions and rewards, or exploit and make the best decision—given current information—for maximum reward now.

В обучении с подкреплением мы сталкиваемся с компромиссом exploration-exploitation. Мы можем либо исследовать, чтобы получить больше информации (например, о вероятностях переходов, наградах), которая может привести к лучшим будущим решениям и наградам, либо эксплуатировать и принимать лучшее решение — учитывая текущую информацию — ради максимальной награды сейчас.

We want to get the best solution as fast as possible. But committing to a solution too quickly, without sufficient exploration, is bad and can lead to local optima. On the other hand, indiscriminate exploration is pointless. Striking the right balance is difficult.

Мы хотим получить лучшее решение как можно быстрее. Но слишком быстрая фиксация на решении, без достаточного исследования, плоха и может привести к локальным оптимумам. С другой стороны, неразборчивое исследование бессмысленно. Найти правильный баланс трудно.

Life is the same. Half a year ago, I decided that the pork belly bento from an Asian supermarket was the cheapest (< $7 after 5pm) and tastiest dinner option within walking distance. However, I only sampled a handful of places, and have not tried other options recently—how do I know it’s still the highest utility? (BTW, reach out if you know of cheap, fuss-free takeout in downtown Seattle).

В жизни всё так же. Полгода назад я решил, что бенто со свиной грудинкой из азиатского супермаркета — самый дешёвый (менее $7 после 17:00) и вкусный вариант ужина в пешей доступности. Однако я попробовал всего несколько мест и давно не пробовал других вариантов — откуда мне знать, что это всё ещё самая высокая полезность? (Кстати, напишите мне, если знаете дешёвую еду на вынос без лишних хлопот в центре Сиэтла).

On a more serious topic, let’s talk careers. If you’ve just graduated and haven’t figured out what you want to do, hey, that’s normal. Not all of us drop out (of college) to start multi-billion dollar companies—don’t be too hard on yourself. Take the time to explore various career paths and find what’s best for you. Don’t rush to pick a career because Dad/society/linkedin said so.

На более серьёзную тему — поговорим о карьере. Если вы только что окончили университет и ещё не поняли, чем хотите заниматься — это нормально. Не все из нас бросают (колледж), чтобы создать мультимиллиардные компании — не будьте слишком строги к себе. Найдите время изучить разные карьерные пути и найти то, что подходит именно вам. Не торопитесь выбирать карьеру только потому, что так сказал папа/общество/LinkedIn.

"Your goal in life is to find out the people who need you the most, to find out the business that needs you the most, to find the project and the art that needs you the most. There is something out there just for you.” - @naval

"Ваша цель в жизни — найти людей, которые нуждаются в вас больше всего, найти бизнес, который нуждается в вас больше всего, найти проект и искусство, которые нуждаются в вас больше всего. Где-то там есть нечто, предназначенное именно для вас." — @naval — Naval Ravikant Bot (@NavalBot) 16 января 2019

And once you figure it out, double down on it. Matthew McConaughey wanted to switch from law school to film school and didn’t know how Dad would take it. Instead of disapproval, he got the three greatest words ever: “Don’t half-ass it”.

А когда вы это поймёте — удваивайте усилия. Matthew McConaughey хотел перевестись с юридического факультета в киношколу и не знал, как это воспримет отец. Вместо неодобрения он услышал три величайших слова: «Не делай это спустя рукава».

The three most important words Matthew McConaughey's dad said to him.

Listen to my full interview with @McConaughey here: https://t.co/Lx15hHZzOJ pic.twitter.com/GxaayzN0Gr

Три самых важных слова, которые отец Matthew McConaughey сказал ему. Слушайте моё полное интервью с @McConaughey здесь: https://t.co/Lx15hHZzOJ pic.twitter.com/GxaayzN0Gr — Tim Ferriss (@tferriss) 19 октября 2020

The greatest words Matthew McConaughey ever got: "Don't half-ass it"

Величайшие слова, которые когда-либо услышал Matthew McConaughey: «Не делай это спустя рукава»

Once we shift from exploration to exploitation, commit and see it through. Spending too much energy exploring on the side is wasteful. Nonetheless, look up every now and then to see if there’s a better way. Like most things, finding the right balance is key.

Как только мы переключаемся с исследования на эксплуатацию — принимайте обязательства и доводите дело до конца. Тратить слишком много энергии на побочное исследование расточительно. Тем не менее, время от времени поднимайте голову и смотрите, нет ли лучшего пути. Как и во многих вещах, ключевой момент — найти правильный баланс.

(To qualify, not everything needs to be thoroughly explored. Most decisions are two-way doors. Also, given limited time and energy, it’s okay to pick “good enough”.)

(Уточнение: не всё нужно тщательно исследовать. Большинство решений — это двусторонние двери. Кроме того, учитывая ограниченное время и энергию, нормально выбирать «достаточно хорошо».)

Transfer Learning: Books and papers are cheat codes

Transfer Learning: книги и научные статьи — это читы

In deep learning, pre-training is the step of training our models on a different, usually larger, dataset before applying transfer learning (aka fine-tuning) to our specific problem and data.

В глубоком обучении предобучение — это шаг тренировки наших моделей на другом, обычно большем наборе данных, перед применением transfer learning (он же fine-tuning) к нашей конкретной задаче и данным.

For example, we use models pre-trained on ImageNet for computer vision tasks. For language, recent models include an unsupervised pre-training step. To adapt pre-trained models for our specific problems, we apply transfer learning by adding our own final layers, providing task-specific inputs and labels, and fine-tune to update model weights.

Например, мы используем модели, предобученные на ImageNet, для задач компьютерного зрения. Для языка современные модели включают шаг неконтролируемого предобучения. Чтобы адаптировать предобученные модели к нашим конкретным задачам, мы применяем transfer learning, добавляя свои финальные слои, предоставляя входы и метки, специфичные для задачи, и проводим fine-tuning для обновления весов модели.

Similarly, we can think of school as generalized pre-training. We’re pre-trained on general theory, method, and knowledge of a variety of subjects (math, science, humanities, etc). But once we graduate (or even before), we need to fine-tune ourselves for specific tasks, such as building software, starting businesses, or hiring teams. The point is, school’s really just pre-training—don’t treat graduation as the end of learning.

Аналогично, мы можем рассматривать школу как обобщённое предобучение. Нас предобучают на общей теории, методах и знаниях по различным предметам (математика, естественные науки, гуманитарные науки и т. д.). Но после выпуска (или даже до) нам нужно дообучаться для конкретных задач, таких как разработка ПО, открытие бизнеса или найм команд. Суть в том, что школа — это действительно лишь предобучение, не относитесь к выпуску как к концу обучения.

Transfer learning is a cheat code for machine learning. It works for life too; I’ve found books to be the best pre-trained models by far. Books are the weights and biases of the great thinkers before us. Books contain a lifetime of learning, condensed into a couple hundred pages in an easily consumable format. Papers are another high-quality source of learning. They contain years of research, experiments, and learning condensed into a single paper. I find those with ablation studies especially enlightening.

Transfer learning — это чит-код для машинного обучения. И для жизни тоже работает; я обнаружил, что книги — безусловно лучшие предобученные модели. Книги — это веса и смещения великих мыслителей, живших до нас. Книги содержат жизнь обучения, сжатую в пару сотен страниц в удобоваримом формате. Научные статьи — ещё один высококачественный источник обучения. Они содержат годы исследований, экспериментов и обучения, сжатые в одну статью. Особенно поучительными я нахожу те, что включают ablation studies.

Is it any wonder that the most successful and learned are voracious readers?

Удивительно ли, что самые успешные и образованные люди — заядлые читатели?

The man who doesn’t read has no advantage over the man who can’t read – Mark Twain

Человек, который не читает, не имеет преимущества над тем, кто читать не умеет. — Mark Twain

Iterations: Find reps you can tolerate, and iterate fast

Итерации: найдите повторения, которые сможете терпеть, и итерируйте быстро

Many machine learning techniques involve iteration. Gradient boosted trees iteratively grow new trees based on pseudo-residuals (i.e., remaining error) from the previous tree. Gradient descent is an iterative optimization algorithm to find the lowest error. Deep learning models are trained iteratively via epochs, where each epoch passes the entire data set through the network.

Многие техники машинного обучения подразумевают итерации. Gradient boosted trees итеративно выращивают новые деревья на основе псевдоостатков (т. е. остаточной ошибки) от предыдущего дерева. Gradient descent — это итеративный алгоритм оптимизации для поиска наименьшей ошибки. Модели глубокого обучения тренируются итеративно через эпохи, где каждая эпоха пропускает весь набор данных через сеть.

Life involves iteration too. We won’t fully understand a paper by reading it once. (I usually need three passes.) The first machine learning model we train likely won’t beat the baseline; we need to iterate and try different data, features, objective functions, params, etc. Our first A/B test probably won’t go well (but 🤞). Don’t worry if you don’t get it right the first time—who does? As long as we keep iterating, we’ll grow and improve.

Жизнь тоже включает итерации. Мы не поймём статью полностью, прочитав её один раз. (Мне обычно нужно три прохода.) Первая модель машинного обучения, которую мы обучим, скорее всего, не побьёт baseline; нам нужно итерировать и пробовать разные данные, признаки, целевые функции, параметры и т. д. Наш первый A/B-тест, вероятно, пройдёт не очень (но 🤞). Не переживайте, если не получилось с первого раза — у кого получается? Пока мы продолжаем итерировать, мы растём и улучшаемся.

Along the same vein, don’t expect success to come overnight. The developers of Angry Birds failed 51 times before finding a game that clicked. Sir James Dyson failed 5,126 times over 15 years before his vacuum cleaner worked. If you decide to pursue something, make sure you’re able to tolerate the iterations and failure.

В том же духе — не ждите, что успех придёт за одну ночь. Разработчики Angry Birds потерпели неудачу 51 раз, прежде чем нашли игру, которая выстрелила. Sir James Dyson потерпел неудачу 5126 раз за 15 лет, прежде чем его пылесос заработал. Если вы решаете чем-то заниматься, убедитесь, что сможете терпеть итерации и неудачи.

I start early, and I stay late, day after day after day. It took me 17 years and 114 days to be become an overnight success. – Lionel Messi.

Я начинаю рано и остаюсь допоздна, день за днём, день за днём. Мне потребовалось 17 лет и 114 дней, чтобы стать успехом одной ночи. — Lionel Messi.

Other than the number of iterations, how fast we iterate is also important. Automating our machine learning experimentation workflow helps us iterate faster. Launching—and getting feedback from customers—earlier helps us improve quicker. If we’re not embarrassed with version 1, we probably launched too late. Even perfectionist Apple launched the iPhone without copy-paste.

Помимо количества итераций, важна и скорость итерации. Автоматизация нашего процесса экспериментов с машинным обучением помогает нам итерировать быстрее. Запуск — и получение обратной связи от клиентов — раньше помогает нам улучшаться быстрее. Если нам не стыдно за версию 1, мы, вероятно, запустились слишком поздно. Даже перфекционисты Apple запустили iPhone без copy-paste.

The number one predictor of success for a very young startup: Rate of iteration. – Sam Altman

Главный предиктор успеха для совсем молодого стартапа — скорость итерации. — Sam Altman

Overfitting: Focus on intuition and keep learning

Overfitting: сосредоточьтесь на интуиции и продолжайте учиться

Overfitting happens when our machine learning models fit the training data too closely and can’t generalize to new data. As a result, though training error is low, validation error is high. We guard against overfitting by evaluating our models on an unseen holdout set.

Overfitting происходит, когда наши модели машинного обучения слишком тесно подгоняются под тренировочные данные и не могут обобщать на новые данные. В результате, хотя ошибка на тренировке низкая, ошибка на валидации высокая. Мы защищаемся от overfitting, оценивая наши модели на невиданном holdout-наборе.

Similarly, when we’re learning, we can prevent overfitting by focusing on understanding and intuition. While memorizing problems and solutions can get us pretty far in school, it won’t help when faced with novel, real-life problems.

Аналогично, когда мы учимся, мы можем предотвратить overfitting, сосредоточившись на понимании и интуиции. Хотя зазубривание задач и решений может продвинуть нас довольно далеко в школе, это не поможет, когда мы столкнёмся с новыми, жизненными задачами.

I don’t know what’s the matter with people: they don’t learn by understanding, they learn by some other way — by rote or something. Their knowledge is so fragile! – Richard P. Feynman

Я не понимаю, что с людьми не так: они учатся не через понимание, а каким-то другим способом — зубрят или что-то в этом роде. Их знание такое хрупкое! — Richard P. Feynman

If we train on stale data, our models can’t generalize to recent data. Similarly, if we stop learning, we can’t adapt as technology progresses. Imagine trying to perform machine learning in Excel; it’s doable (I think), but it’s far easier and more effective with Python.

Если мы тренируемся на устаревших данных, наши модели не могут обобщать на свежие данные. Аналогично, если мы прекращаем учиться, мы не можем адаптироваться по мере развития технологий. Представьте, что вы пытаетесь делать машинное обучение в Excel; это выполнимо (наверное), но гораздо проще и эффективнее с Python.

In life, how do we prevent overfitting? Adopting a Beginner’s mind works well for me. It’s a concept from Zen Buddhism where we have an attitude of openness, eagerness, and no preconceptions. We think like a beginner, stay curious, and approach new ideas as a student, even if it doesn’t fit our paradigm. With beginner’s mind, we’re always learning and updating our algorithm, reducing the likelihood of overfitting in life.

Как же в жизни предотвратить overfitting? У меня хорошо работает принятие «ума новичка». Это концепция из дзен-буддизма, где у нас отношение открытости, энтузиазма и отсутствия предубеждений. Мы думаем как новичок, сохраняем любопытство и подходим к новым идеям как ученик, даже если они не вписываются в нашу парадигму. С умом новичка мы постоянно учимся и обновляем свой алгоритм, снижая вероятность overfitting в жизни.

The illiterate of the 21st century will not be those who cannot read and write, but those who cannot learn, unlearn, and relearn. – Alvin Toffler

Неграмотными в XXI веке будут не те, кто не умеет читать и писать, а те, кто не умеет учиться, разучиваться и переучиваться. — Alvin Toffler

Ensembling: Diversity is strength

Ensembling: разнообразие — это сила

In machine learning, ensembling involves using different machine learning models to obtain better performance than any single model can achieve. We also see this in random forests, where many different trees are grown and their predictions combined. Essentially, each model make up for the others’ weaknesses.

В машинном обучении ensembling подразумевает использование разных моделей машинного обучения для получения лучшей производительности, чем может достичь любая отдельная модель. Мы также видим это в random forests, где выращивается множество разных деревьев и их предсказания комбинируются. По сути, каждая модель компенсирует слабости других.

Different classifiers make up for one another's weaknesses (source).

Разные классификаторы компенсируют слабости друг друга (источник).

Similarly in life, diversity is a strength. When building teams, I favor diverse demographics, educations, experiences, and skills; diverse perspectives help us relate to and serve customers better. To build machine learning systems, we need skills in data pipelines, machine learning, software engineering, devops, product, etc.—it’s not enough to excel in just one aspect. One person’s strength complements another person’s shortfalls.

Аналогично в жизни — разнообразие это сила. При формировании команд я отдаю предпочтение разнообразной демографии, образованию, опыту и навыкам; разнообразие точек зрения помогает нам понимать клиентов и обслуживать их лучше. Чтобы создавать системы машинного обучения, нам нужны навыки в data pipelines, машинном обучении, разработке ПО, devops, продукте и т. д. — недостаточно преуспеть только в одном аспекте. Сила одного человека компенсирует недостатки другого.

Strength lies in differences, not in similarities – Stephen R. Covey

Сила — в различиях, а не в сходствах. — Stephen R. Covey

Some of the best ideas happen when we overcome groupthink and combine various ideas. Or when we combine our understanding of various subjects to develop a new superpower. For example, Scott Adams combined his ability to draw, sense of humor, and business know-how to create Dilbert.

Некоторые из лучших идей рождаются, когда мы преодолеваем групповое мышление и комбинируем различные идеи. Или когда мы соединяем наше понимание разных предметов, чтобы развить новую суперсилу. Например, Scott Adams объединил свою способность рисовать, чувство юмора и деловые знания, чтобы создать Dilbert.

Creativity is just connecting things. When you ask creative people how they did something, they feel a little guilty because they didn’t really do it, they just saw something. It seemed obvious to them after a while. That’s because they were able to connect experiences they’ve had and synthesize new things.

And the reason they were able to do that was that they’ve had more experiences or they have thought more about their experiences than other people.

Unfortunately, that’s too rare a commodity. A lot of people in our industry haven’t had very diverse experiences. So they don’t have enough dots to connect, and they end up with very linear solutions without a broad perspective on the problem. – Steve Jobs

Креативность — это просто соединение вещей. Когда вы спрашиваете креативных людей, как они что-то сделали, они чувствуют себя немного виноватыми, потому что они на самом деле не делали этого, они просто что-то увидели. Через некоторое время им это показалось очевидным. Это потому, что они смогли соединить пережитый опыт и синтезировать новое. А причина, по которой они смогли это сделать, в том, что у них было больше опыта или они больше думали о своём опыте, чем другие. К сожалению, это слишком редкий товар. У многих людей в нашей индустрии не было очень разнообразного опыта. Поэтому у них недостаточно точек для соединения, и они приходят к очень линейным решениям без широкого взгляда на проблему. — Steve Jobs

• • •

• • •

What other parallels between machine learning and life do you see? Reply to this tweet or post in the comments below.

Какие ещё параллели между машинным обучением и жизнью вы видите? Ответьте на этот твит или оставьте комментарий ниже.

I think a lot about machine learning. I think a lot about life. Sometimes, the signals cross.

Here are 7 lessons from machine learning applied to life.

A thread 👇

Я много думаю о машинном обучении. Я много думаю о жизни. Иногда сигналы пересекаются. Вот 7 уроков из машинного обучения, применённых к жизни. Тред 👇 — Eugene Yan (@eugeneyan) 24 ноября 2020

Thanks to Yang Xinyi for reading drafts of this.

Спасибо Yang Xinyi за чтение черновиков.

If you found this useful, please cite this write-up as:

Если вы нашли это полезным, пожалуйста, цитируйте этот текст так:

Yan, Ziyou. (Nov 2020). What Machine Learning Can Teach Us About Life - 7 Lessons. eugeneyan.com. https://eugeneyan.com/writing/life-lessons-from-machine-learning/.

Yan, Ziyou. (Nov 2020). What Machine Learning Can Teach Us About Life - 7 Lessons. eugeneyan.com. https://eugeneyan.com/writing/life-lessons-from-machine-learning/.

or

или

@article{yan2020life, title = {What Machine Learning Can Teach Us About Life - 7 Lessons}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2020}, month = {Nov}, url = {https://eugeneyan.com/writing/life-lessons-from-machine-learning/} }

@article{yan2020life, title = {What Machine Learning Can Teach Us About Life - 7 Lessons}, author = {Yan, Ziyou}, journal = {eugeneyan.com}, year = {2020}, month = {Nov}, url = {https://eugeneyan.com/writing/life-lessons-from-machine-learning/} }

Join 11,800+ readers getting updates on machine learning, RecSys, LLMs, and engineering.

Присоединяйтесь к 11 800+ читателям, получающим обновления о машинном обучении, RecSys, LLM и инженерии.