自由与限制，相辅相成
背景
在做PA行为模型的建模，为了拟合PA的长期记忆，需要使用长达10K的数据点shape = [10K, 2]来建模。这么长的数据，直接输入模型肯定无法计算，需要对原始数据做压缩/过滤。关于怎么做“压缩/过滤”，我和队友有一些分歧。
我建议使用AutoEncoder技术自己学习“压缩/过滤”模型，而队友建议自己根据业务手动设计“压缩/过滤”规则。最后我们得出了这样的结论：
- 如果数据无限，自己学是上选
- 如果数据和运算都有限制，很难控制它去学什么
由此延申出一些想法
NN的演化趋势
- NN演化从全连接FC，到CNN的卷积，到RNN的序列，演化趋势一方面希望网络自己学习feature，一方面引入各种限制（人工知识）辅助（加速）学习过程。
- 语音识别task的演化则是另一个方向，一开始人为定义phonix等中间步骤，通过人类知识帮助NN学习，到后来的一步到位，学习过程全权交给NN。
Ng也有过类似的说法，机器学习可以由人为知识帮助它学习，也可以直接从数据自由学习。并没有哪种一定是最好，由实际情况而定。
基于人为知识的学习，学习依赖于人的知识，难以超过人的水平。
基于数据自由学习，需要而更多的数据和计算资源，而且无法控制它能学到什么，有可能会学到奇怪的东西。
Coding Dojo
自由学习与人为限制，并非对立的存在，它在Coding Dojo中得到了相辅相成的发挥。
Coding Dojo的思想来源莱特兄弟造飞机。当时有许多专业的经费充足的团队没有造出飞机，而草根团队莱特兄弟却造出了飞机。原因是莱特兄弟有一套低成本的测试方法，而专业团队的测试方法成本高昂，以至于他们不敢随意尝试。
Coding Dojo则认为，我们要提升软件技能，同样需要大量的尝试和探索，但是在真实产品中做些事情的试错成本太高，导致无法真正的放手去做。我们需要一个人为设置的playground，在这里试错成本要低得多，有了playgound的限制，我们才可以放心的尝试和探索（自由学习）。
机器学习的自由学习就是不断尝试、测试再调整的过程。但它的学习不能是任意的学习，而是在人为设置的条件下自由学习。因此，在机器学习中，自由学习与人为限制也可以是相辅相成的存在。
儿童教育
这个话题就有点大了，我们是应该把自己的经验直接告诉孩子，让他少走弯路？还是应该鼓励他尝试，看着他犯错，等着他自己领悟？