1.2　传统编程的局限性

图1-3中的模型从它初始就成为开发的主干。但是它有一个与生俱来的局限：只适用于可以制定规则的场景。其他情况下怎么办呢？通常，由于代码过于复杂，它们是不可行的，无法通过编写代码来处理它们。

考虑一个例子：运动检测。可以检测我们运动的健身监视器是最近的一个创新产品，不仅得益于其廉价精致的硬件而变得普及，同时得益于曾经不可行的检测算法现在可行了。让我们来研究一下为什么。

图1-4展示了一个简单的步行运动检测算法。它可以知道人的速度。如果速度小于一个固定的值，我们便可以判断人们可能正在走路。

图1-4：运动检测算法

既然数据是速度，我们可以扩展到检测人们是否正在跑步，如图1-5所示。

图1-5：扩展算法来检测跑步

可以看到，根据速度，我们可以说如果它小于一个固定值（例如，4英里/时，约6.44千米/时），那么这个人就是在走路，否则他们就是在跑步。这个算法仍然有效。

现在假设我们想要扩展这个算法来检测另一个受欢迎的健身运动：骑行。算法可能看起来如图1-6所示。

图1-6：扩展算法来检测骑行

我知道这很简单，因为它只是检测速度—有些人比其他人跑得更快，而且你可能在跑步下山时比上山骑行时更快。但是总的来说，这个算法依然有效。但是，如果我们要检测高尔夫球（如图1-7所示）时会发生什么呢？

图1-7：如何写一个高尔夫球算法

我们现在卡住了。如何通过上述方法来判断一个人正在打高尔夫球呢？那个人可能走一会，停下来，做一些活动，再走一会，停下来，等等。但是我们怎么知道这是打高尔夫球呢？

我们使用传统规则来检测这项运动的能力碰壁了。但是也许有一种更好的方法。

使用机器学习。