ML（1）——机器学习简述

简述

　　机器学习是人工智能的一种实现方式；深度学习是一种实现机器学习的技术，或者说是一种特殊的机器学习方法，可以说广义上的机器学习也包括了深度学习，三者的关系如下图所示：

 

　　从判别垃圾邮件到无人驾驶技术，机器学习在众多领域都有着广泛的应用，机器学习成就了今天的人工智能。

机器学习的本质

　　在以往的工程项目中，我们认为计算机程序只能严格执行我们让它做的事情——输入数据，输出计算结果。为了得出正确的结果，需要在程序中写大量的循环和判断，但是对于某些问题，这种方式将无法处理，比如如何判断一张照片中有没有大树？

　　对于人类来讲，可能在会走路的时候就认识了大树，然而我们并没有试图给小孩子灌输大树的定义，实际上大多数人都不能准确定义什么是大树，但是我们依然能够分辨：“哦，这就是大树”。联想小孩子学习的过程，是经过家长无数次的教导，告诉他：“嘿，宝贝，这一棵大树”，然后他慢慢学会了：“哦，这种东西就是大树”。当然，这种方式有时可能会出错，比如我的小孩在最近才能分清老虎和猫咪。

　　机器学习的本质就是让计算机模拟上述过程，让计算机“学习”，从而获得某种认知，通过这种认知判断新的事物。这种认知称为模型，用数学表示将是一个函数。

　　上述过程可以简述为：输入一堆相关数据，让计算机自行学习，得到一个可以判断新事物的模型：

 

　　使用机器学习时需要考虑三点：

1. 必须存在一个模型；
2. 这个存在的模型无法正确写出；
3. 手里有足够多的关于这个模型的数据。

　　举例来说：

1. 预测刚会走路的小孩会往哪个方向前进（不存在模型，前进方向不可预测）
2. 计算加减乘除混合运算（可以正确写出模型）
3. 外星人是否来袭（没有足够多的数据提供参考）
4. 判断一个人的信誉是否优良以便对其发放信用卡（可以使用机器学习）

　　需要注意的是，除了第三点外，即使1，2都不是机器学习的必要条件，只是此时机器学习不是最佳实现方案。

 

　　在机器学习开始时，我们应当掌握多少数据？理论上，数据量应当能够恰好完美的得到某个模型；然而实际上可能只有很少的数据，但这并不妨碍开始机器学习。所以问题的答案只能是“具体情况具体分析”。

机器学习的种类

　　通常，机器学习可分为监督学习、非监督学习和强化学习。

　　监督学习

　　数据集中的每个样本有相应的“正确答案”，根据训练集得出模型，从而预测新数据。对于连续型数据的预测称为回归，对于离散型数据的预测称为分类。

　　非监督学习

　　给出一堆数据，我也不知道要预测什么，总之你自己预测吧，祝你好运。

　　强化学习

　　不断尝试新输入，对输出进行评分，每次都选取最高分，渐渐地，机器会只给出高分的答案。这和处于探索阶段的小孩子一样，碰到了仙人球，知道了坏的结果，从此将远离仙人球，然后不断尝试碰触新东西，逐渐知道很多东西不能碰。

---

 

　　 出处：微信公众号 "我是8位的"

 　　本文以学习、研究和分享为主，如需转载，请联系本人，标明作者和出处，非商业用途！ 

　　 扫描二维码关注作者公众号“我是8位的”