機器學習到底是什么？一篇文章帶你了解透徹
人工智能和機器學習可謂火爆空前。自從AlphaGo完勝人類圍棋頂尖棋手后，人們關于人工智能的討論就從未間斷過。有人說，人工智能會使大批人失業(yè)，又有人說，人工智能會給人類帶來威脅。更多人期待的則是，人工智能可以幫助我們創(chuàng)造更多的價值。AI是一個非常廣義的概念。為了更好的了解它，現在先讓我們來討論一下人工智能的一個重要分支機器學習。本文編譯于BenDickson近期在techfinancials.co.za上發(fā)表的題為Whatismachinelearning?的文章。
當我第一次試著編程時，我就愛上了這門藝術（是的，我相信編程既是科學又是藝術），那一年，我九歲。我很快就迷上了如何通過設置邏輯規(guī)則和條件來控制程序的流程，ifelse語句，switch，循環(huán)等等。
在接下來的幾年里，我學會了通過創(chuàng)建模塊和將代碼段抽象成函數和類的手段來保持代碼整潔。我通過面向對象的分析和設計（OOA/D）增強了我的軟件開發(fā)技能。我學習了代碼的重復使用和設計模式。我學會了用UML圖形和示意圖來解釋我的程序。我學會了將這些原則應用于近十幾種不同的編程語言之中。
但是編程的經驗法則保持不變：定義規(guī)則和邏輯。其余的只是幫助實施和維護這些規(guī)則的技巧。
幾十年來，基于規(guī)則的代碼主導了我們創(chuàng)建軟件的方式。我們分析一個或一組問題，指定邊界，實例，進程，關系，并將它們轉換為確定軟件工作方式的規(guī)則。
雖然這種方法對我們來說很好，但卻導致了笨軟件，庫卡機器人何服電機維修，除非人類以某種方式更新其邏輯，否則該程序永遠不會改變其行為。另外，它也不適用于規(guī)則不明確的情況，例如識別圖像中的對象，在網絡流量中發(fā)現惡意活動，或是在不平坦的地面上對機器人進行導航。
機器學習是現代人工智能的基石，它顛覆了傳統(tǒng)編程模式。機器學習有助于創(chuàng)建修正和改善其性能的軟件，而無需人類向其解釋如何完成任務。這就是我們今天直接使用的，以及許多即將發(fā)生的，創(chuàng)新背后的技術，包括你從網站，數字助理，無人駕駛汽車，分析軟件等處看到的令人驚訝的建議。
什么是機器學習？
機器學習是從示例中學習的軟件。你不需要編寫機器學習的算法，而是通過提供大量的相關數據，來訓練它們。例如，不要試圖對機器算法解釋一只貓看起來是什么樣的，你需要通過提供數百萬張貓的圖片來培訓它。該算法在這些圖像中找到重復的模式，并為自己確定如何定義貓的外觀。在此之后，當你向該程序顯示新照片時，它可以區(qū)分照片中是否含有貓的成分。
許多人將機器學習等同于人工智能。然而，AI是一個松散的概念，它可以應用于從復雜的、基于規(guī)則的軟件到尚未發(fā)明的，人類智能之間的任何事情。實際上，機器學習是AI的一個特別分支，它基于數據而并非規(guī)則來創(chuàng)建程序。
什么是監(jiān)督，無監(jiān)督和強化學習？
機器學習有幾種不同風格的算法。其中最流行的是監(jiān)督學習，進一步說，就是你使用帶有標簽數據的訓練算法，將一組輸入對象（通常為矢量）映射到一組期望的輸出值中（也稱為監(jiān)督信號）。上面所講的貓的示例就是監(jiān)督學習的一個例子。另一個例子是語音識別，你可以通過提供聲音波形來對應其中的書面字體。
你提供給監(jiān)督學習的算法樣本越多，其分析新數據的能力就越精確。而這也是監(jiān)督學習的主要挑戰(zhàn)。創(chuàng)建帶有標記樣本的大數據非常耗時，同時也需要大量的人力。一些平臺，如亞馬遜的MechanicalTurk提供數據標簽服務。
在無監(jiān)督學習中，機器學習的另一個分支，則沒有參考數據，一切都沒有標簽。換句話說，你提供輸入，但不提供輸出。該算法對未標記的數據進行整理，提取推論并找出模式。無人監(jiān)督學習對于人類無法定義的，隱藏模式的情況尤其有用。
例如，你允許機器學習算法監(jiān)視你的網絡活動。然后，它將根據其找到的模式設置正常網絡活動的基準。根據這個標準，它將檢測并且記錄異常網絡活動。
與監(jiān)督學習相比，無監(jiān)督的學習更接近于機器自我學習的過程。然而，無監(jiān)督學習的問題是其結果往往是不可預測的。這就是為什么它通常需要結合人的直覺來引導其保持正確方向，因為它一切都是自學的。例如，上述網絡安全的例子，網絡活動中有許多原因會使其偏離規(guī)范，然而這并不是惡意制造的。但機器學習的算法并不知道。在開始的時候，人類分析人員必須糾正其決定，直到它學會判斷異常并作出更好的決策。
另一個不太知名的機器學習領域是強化學習。在強化學習中，程序員定義了狀態(tài)，期望目標，允許的行動以及約束。該算法通過嘗試將各種不同的允許行動進行組合來了解如何實現目標。當你知道目標是什么，但無法定義達到目標的路徑時，此方法特別有效。
強化學習在許多設置中被使用。在更著名的案例中，GoogleDeepMind的AlphaGo，掌握了復雜的棋盤游戲Go的機器學習程序。該公司正在采用同樣的方法來提高英國電網的效率。Uber也在使用相同的技術來教AI代理玩?zhèn)b盜獵車手車（或更準確地說，讓它們自己學習）。
什么是深度學習？
雖然機器學習是人工智能的一個分支，但深度學習是機器學習的專門分支。深度學習使用神經網絡，一個具有人類大腦結構和功能的復制品。
深入學習解決了上一代學習算法中存在的一個主要問題。先前，隨著數據的增長，算法平臺的效率和性能趨于停滯。現在，深度學習算法在獲得更多數據的同時，其性能也在不斷改進。深度學習算法并不是直接通過將輸入映射到輸出的方式，而是依賴于幾層處理單元。每個層將其輸出傳遞到下一個層，進行處理，然后再傳遞到下一層。在某些模型中，KUKA機器人示教器維修，計算可能會在處理層之間來回流動多次�，F已證明深度學習在各種任務中非常有效，包括圖像字幕，語音識別和語言翻譯。
機器學習的挑戰(zhàn)是什么？
雖然機器學習對未來應用的發(fā)展至關重要，但并不是沒有自己的挑戰(zhàn)。
一方面，機器學習算法的開發(fā)和部署在很大程度上依賴于大量的計算和存儲資源來執(zhí)行其任務。這種依賴關系使得它們在執(zhí)行時受限于云服務和大數據。因此，在執(zhí)行邊緣計算機集成解決方案時（edgeintelligence）它們更具挑戰(zhàn)性。
機器學習的另一個問題-特別是深度學習-是它的不透明度性。隨著算法變得越來越復雜，人類越來越難以解釋它們是基于什么，做出決定的。在許多情況下，這可能不是問題。但是，當你想要對算法做出關鍵決定時，KUKA機器人示教器維修，使它們具有透明性并且讓人一目了然是非常重要的。
此外還存在一些偏見問題。機器學習往往會吸收嵌入到它們在接受培訓時，數據中包含的一些的習慣和傾向。在某些情況下，尋找和消除偏見很容易，而在其他情況下，它的嵌入度極深，人類往往難以察覺。
然而，這些挑戰(zhàn)都不可能阻止AI和機器學習成為我們這個時代的通用技術（這個術語曾經被用于蒸汽機和電力這樣的發(fā)明）。不管我們往哪個方向發(fā)展，機器學習都將會對我們產生深刻影響。