With the widespread proliferation of (miniaturized) sensing facilities and the massive growth and popularity of the field of machine learning (ML) research, new frontiers in automated sensor data analysis have been explored that lead to paradigm shifts in many application domains. In fact, many practitioners now employ and rely more and more on ML methods as integral part of their sensor data analysis workflows—thereby not necessarily being ML experts or having an interest in becoming one. The availability of toolkits that can readily be used by practitioners has led to immense popularity and widespread adoption and, in essence, pragmatic use of ML methods. ML having become mainstream helps pushing the core agenda of practitioners, yet it comes with the danger of misusing methods and as such running the risk of leading to misguiding if not flawed results. Based on years of observations in the ubiquitous and interactive computing domain that extensively relies on sensors and automated sensor data analysis, and on having taught and worked with numerous students in the field, in this article I advocate a considerate use of ML methods by practitioners, i.e., non-ML experts, and elaborate on pitfalls of an overly pragmatic use of ML techniques. The article not only identifies and illustrates the most common issues, it also offers ways and practical guidelines to avoid these, which shall help practitioners to benefit from employing ML in their core research domains and applications.

中文翻译：

---

将机器学习应用于交互式系统中的传感器数据分析

随着（小型化）传感设施的广泛普及以及机器学习 (ML) 研究领域的大规模增长和普及，已经探索了自动传感器数据分析的新前沿，从而导致许多应用领域的范式转变。事实上，许多从业者现在越来越多地使用和依赖 ML 方法作为其传感器数据分析工作流程的组成部分——因此不一定是 ML 专家或有兴趣成为专家。从业者可以轻松使用的工具包的可用性导致了极大的普及和广泛采用，并且实质上是对 ML 方法的务实使用。ML 成为主流有助于推动从业者的核心议程，然而，它伴随着滥用方法的危险，因此冒着导致误导（如果不是有缺陷的结果）的风险。基于对广泛依赖传感器和自动传感器数据分析的无处不在和交互式计算领域的多年观察，以及与该领域众多学生的教学和合作，在本文中，我提倡从业者慎重使用 ML 方法，即非 ML 专家，并详细说明过度务实地使用 ML 技术的陷阱。本文不仅识别和说明了最常见的问题，还提供了避免这些问题的方法和实用指南，这将有助于从业者从在其核心研究领域和应用中使用机器学习中受益。基于对广泛依赖传感器和自动传感器数据分析的无处不在和交互式计算领域的多年观察，以及与该领域众多学生的教学和合作，在本文中，我提倡从业者慎重使用 ML 方法，即非 ML 专家，并详细说明过度务实地使用 ML 技术的陷阱。本文不仅识别和说明了最常见的问题，还提供了避免这些问题的方法和实用指南，这将有助于从业者从在其核心研究领域和应用中使用机器学习中受益。基于对广泛依赖传感器和自动传感器数据分析的无处不在和交互式计算领域的多年观察，以及与该领域众多学生的教学和合作，在本文中，我提倡从业者慎重使用 ML 方法，即非 ML 专家，并详细说明过度务实地使用 ML 技术的陷阱。本文不仅识别和说明了最常见的问题，还提供了避免这些问题的方法和实用指南，这将有助于从业者从在其核心研究领域和应用中使用机器学习中受益。非 ML 专家，并详细阐述了过度务实地使用 ML 技术的缺陷。本文不仅识别和说明了最常见的问题，还提供了避免这些问题的方法和实用指南，这将有助于从业者从在其核心研究领域和应用中使用机器学习中受益。非 ML 专家，并详细阐述了过度务实地使用 ML 技术的缺陷。本文不仅识别和说明了最常见的问题，还提供了避免这些问题的方法和实用指南，这将有助于从业者从在其核心研究领域和应用中使用机器学习中受益。