机器学习第一次作业

学习小结

经过对这门课1个月的学习，我收获了许多。
纠正了以前我对人工智能很多猜测的认知，虽然目前来说仍然很复杂。之前我觉得，人工智能非常厉害的地方无非就是比人类计算快，知识范围广。其实它的学习能力也是非常恐怖的，只不过我把它想得太神话了，不太相信当前的科技理论能去做出机器的“学习能力”或是“自我思维”。其实呢，机器学习现实点就是基于对样本和训练集中样本进行特征匹配，其中的非线性判别函数还是比较难构造的，就这样一直训练和测试，优化判别函数，等于强行给机器或者说一段程序灌输并构建函数来记录这是对的、这是错的，直到它的“判断能力”大幅提升时，就说该机器“学会”了一样东西。实质也即是最大概率的猜测，就连熟悉的命题也会出现错判的情况，更不用说去分析前所未有的未知事件了。

既然说机器学习靠的是数据集和判别函数。那么它的重点即是训练集的选取、更新，判别函数的构建、优化，更多的还有验证集。是数据赋予了机器知识储备，算法给予了机器思考能力。

机器学习与人工智能

机器学习到底是什么？

说到机器学习与人工智能的关系，简单概括就是：将海量数据通过机器学习进行处理后形成一个模型，最终适用于场景的过程就是人工智能。可以说，机器学习是人工智能背后的重要推动力量。
当然，机器学习作为人工智能的核心，是使计算机具有智能的必要条件，其应用已遍布人工智能的各个领域。当前的人工智能机器学习算法主要有三大类：监督学习、无监督学习、半监督学习。
监督学习是指，用正确答案已知的例子来训练神经网络，也就是用标记过的数据。简单来说，就是我们将已经知道的知识教给机器，让机器设计出一个模型。这里提到的数据标注的含义是：为数据打上说明其属性的标签。
与监督学习相对应的是无监督学习，在无监督学习中，使用过的数据是没有标记过的，即不知道输入的数据对应的输出结果是什么，只能自己尝试寻找数据中的模型和规律。半监督学习介于有监督学习与非监督学习之间，半监督学习是利用少量标注样本和大量未标注样本进行机器学习。

监督学习方式是制约人工智能发展的重要因素？

半监督学习暂且不提，在这里，主要讲解一下监督学习和无监督学习。目前，我们接触到的人工智能还处于机器学习的初级阶段，基本上都是监督学习阶段。这就需要人类去告诉计算机许多问题的答案。例如：在大量图像数据中，人类需要告诉计算机这是苹果的图片、这是香蕉的图片，以及电视、汽车等。当然，这是一个相当费时而又痛苦的过程。同时，又非常强大，人类已经能通过它解决了很多问题。　　
但是，在自动驾驶领域，对于如何避免危险发生的问题上，如果我们用的是监督学习，我们就必须告诉计算机：汽车可能遭遇的所有情形以及人类在那些情形中会做出的反应。这就暴露出监督学习的薄弱的一面。
如果，换做是无监督学习算法，就可以帮助我们解决自动驾驶汽车的问题。因为，无监督学习允许计算机投射未来的状况，即基于当前状况生成可能的未来，并且可以允许计算机为它们之前从未训练过的情形进行提前规划。

人工智能的“灵魂”————算法，需要进行革命

据统计，全球每天都会产生接近百亿次的搜索记录，同时社交媒体上的日常行为也促进了数据的大量产出。尽管，我们的世界每天都会产生大量的数据，但是，有很大一部分是未经过整理、未经过标注的数据。这就意味着这些大数据，对于目前监督学习的人工智能产品来说是不可用的。所以，打破人工智能发展局限的关键就要改变机器学习算法。
现在，人工智能技术的发展即将进入瓶颈期，如果机器能够提升算法，将会对人工智能的发展带来很大的帮助。无监督学习实际上是人类学习的方式，这也会让强人工智能成为可能。目前，无监督学习具有非常大的潜力，因为我们拥有的非标记数据比标记数据多得多，只是我们还没有找到很合适的非监督学习算法，非监督学习在未来存在着巨大的研究空间。
未来，随着科技的进步，当无监督学习技术越来越成熟时，人类将能够借助人工智能解决越来越多的难题。毫无疑问，今后，人工智能的进步将有赖于在无监督学习上取得突破!