機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)概念

有人說機(jī)器學(xué)習(xí)時(shí),，你一定覺得很酷,，有一種科技感。但你知道什么事機(jī)器學(xué)習(xí)嗎,？又是怎么工作的,？

機(jī)器學(xué)習(xí)(Machine Learning, ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論,、統(tǒng)計(jì)學(xué),、逼近論、凸分析,、算法復(fù)雜度理論等多門學(xué)科,。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能,，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能,。

如果你了解概率論、統(tǒng)計(jì)學(xué),，并且對線性代數(shù)有一定的掌握,，那么你肯定能夠掌握機(jī)器學(xué)習(xí)的概念。現(xiàn)在,，我們再來看看機(jī)器學(xué)習(xí)的內(nèi)部工作,。

機(jī)器學(xué)習(xí)的工作原理

機(jī)器學(xué)習(xí)的基本概念建立在這樣一個(gè)事實(shí)之上，即我們所認(rèn)為的智能在很大程度上是基于概率的,，而非邏輯和推理,。

這聽起來很奇怪，也很違反直覺,，想想你生活中的各種情況,，并試著把它們聯(lián)系起來。

當(dāng)你想從A點(diǎn)到B點(diǎn),，你可能會(huì)想到它們之間最快的路線,。當(dāng)你玩棋盤游戲時(shí),，你想著哪一步棋能幫你贏?？紤]任何這樣的情況,，你會(huì)發(fā)現(xiàn)概率在人類的決策過程中扮演著非常重要的角色。

機(jī)器學(xué)習(xí)

我們再說說計(jì)算機(jī),，我們知道它們很擅長計(jì)算,。早在20世紀(jì)50年代，科學(xué)家就認(rèn)識(shí)到了這一點(diǎn),。他們明白,，有了足夠的數(shù)據(jù)，數(shù)字計(jì)算機(jī)就能很好地估計(jì)概率,。不幸的是,，對于人工智能的先驅(qū)研究人員來說，這樣一個(gè)革命性的想法出現(xiàn)的時(shí)代并不是一個(gè)可以充分探索的時(shí)代,。計(jì)算機(jī)還沒有強(qiáng)大到足以運(yùn)行這些新奇的想法并接受測試,。

即便如此，他們的基本原則是正確的,，這些原則構(gòu)成了現(xiàn)代人工智能的基礎(chǔ),。

深度神經(jīng)網(wǎng)絡(luò)

谷歌、臉書和亞馬遜等公司將機(jī)器學(xué)習(xí)應(yīng)用于從客戶那里獲取的所有數(shù)據(jù),。這樣做是為了優(yōu)化用戶體驗(yàn)和首選項(xiàng),。

所有公司都使用的一種特殊的機(jī)器學(xué)習(xí)方法是深度神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)的概念是基于沃倫·麥卡洛（Warren McCullough）,、沃爾特·皮茲（Walter Pitts）和弗蘭克·羅森布拉特(Frank Rosenblatt)在20世紀(jì)50年代提出的與神經(jīng)網(wǎng)絡(luò)相關(guān)的概念,。

深度神經(jīng)網(wǎng)絡(luò)

雖然今天的神經(jīng)網(wǎng)絡(luò)比以前的原始網(wǎng)絡(luò)和形成網(wǎng)絡(luò)復(fù)雜得多，但其主要思想仍然是一樣的,。估計(jì)給定概率的最佳方法是將問題分解成離散的,、小塊的信息，這些信息是由麥卡洛和皮茲創(chuàng)造的神經(jīng)元,。麥卡洛和皮茨的預(yù)言是,，如果一組這樣的神經(jīng)元以類似于人腦的方式連接起來，那么就可以建立不同的模型來學(xué)習(xí)不同的東西,。

為了理解一個(gè)神經(jīng)網(wǎng)絡(luò),，讓我們考慮一張有人臉的圖像。現(xiàn)在,，如果我們有一個(gè)初級的深度神經(jīng)網(wǎng)絡(luò),，這個(gè)神經(jīng)網(wǎng)絡(luò)會(huì)有幾千個(gè)節(jié)點(diǎn)。這些數(shù)千個(gè)節(jié)點(diǎn)中的每一個(gè)都將分層堆疊。

神經(jīng)網(wǎng)絡(luò)第一層的每個(gè)節(jié)點(diǎn)首先要找的是一條直線或一條曲線,。一旦初步分析完成,，神經(jīng)網(wǎng)絡(luò)的第二層將尋找更高級的形狀，如圓形,。在第三層,，搜索多個(gè)參數(shù)，如白色圓圈中的黑色圓圈,，這是在深度神經(jīng)網(wǎng)絡(luò)中人眼的識(shí)別方式,。

當(dāng)算法最終到達(dá)最后一層神經(jīng)元時(shí),，每個(gè)神經(jīng)元都能夠識(shí)別高級形狀,。該算法可以根據(jù)最后一個(gè)神經(jīng)元的檢測結(jié)果來判斷人臉的真?zhèn)巍?/p>

siri沒能識(shí)別我說怪羅科普

機(jī)器學(xué)習(xí)的應(yīng)用

自從計(jì)算機(jī)被發(fā)明以來，語言學(xué)家和計(jì)算機(jī)學(xué)家一直試圖使它們識(shí)別語音和文本,。

計(jì)算機(jī)以連貫,、邏輯的方式實(shí)現(xiàn)書面語言或語音的這種方法稱為自然語言處理(NLP)。然而,，在過去的幾十年里,，機(jī)器學(xué)習(xí)在很大程度上已經(jīng)超越了規(guī)則系統(tǒng)，這要?dú)w功于從支持向量機(jī)到隱馬爾可夫模型,，再到最近的深度學(xué)習(xí),。

蘋果的Siri、亞馬遜的Alexa和谷歌的雙功能都嚴(yán)重依賴深度學(xué)習(xí)來識(shí)別語音或文本,，代表著這一重要領(lǐng)域的前沿,。

下一個(gè)廣泛使用機(jī)器學(xué)習(xí)的領(lǐng)域是圖像處理。當(dāng)羅森布拉特在1958年首次實(shí)現(xiàn)他的神經(jīng)網(wǎng)絡(luò)時(shí),，他用狗和貓的圖像對其進(jìn)行測試,。

從那時(shí)起，人工智能研究人員就一直癡迷于這個(gè)話題,。由于大部分時(shí)間都花在了設(shè)計(jì)算法上,，這些算法可以利用早期計(jì)算機(jī)有限的處理能力檢測圖像中預(yù)先指定的形狀，比如邊緣和多面體,。

人工智能

然而,，多虧了現(xiàn)代硬件，計(jì)算機(jī)視覺領(lǐng)域現(xiàn)在被深度學(xué)習(xí)所主導(dǎo),。當(dāng)特斯拉在自動(dòng)駕駛模式下安全駕駛時(shí),，或者當(dāng)谷歌新的增強(qiáng)現(xiàn)實(shí)顯微鏡實(shí)時(shí)檢測到癌癥時(shí)，這都是因?yàn)橐环N深度學(xué)習(xí)算法,。

機(jī)器學(xué)習(xí)的最終領(lǐng)域

機(jī)器學(xué)習(xí)最重要的最后一個(gè)領(lǐng)域是機(jī)器人,。是什么讓我們自己的智慧如此強(qiáng)大，不僅僅是我們能夠理解世界,，而是我們可以與之互動(dòng),。

機(jī)器人也是如此,。能夠識(shí)別視覺和聲音的電腦是一回事;那些能夠?qū)W會(huì)識(shí)別一個(gè)物體并決定如何操作它的人完全是另外一回事。

可以想象,，語音識(shí)別是一個(gè)困難的挑戰(zhàn),，而觸摸和運(yùn)動(dòng)控制是更難掌握的技能。盡管計(jì)算機(jī)具有強(qiáng)大的處理能力,，但在像撿起一件襯衫這樣簡單的事情上,，它仍然表現(xiàn)得非常糟糕。

機(jī)器人

對于機(jī)器人來說,，撿起一件襯衫并不是容易的事,，因?yàn)樗婕暗綆讉€(gè)同時(shí)進(jìn)行的任務(wù)。首先,，你需要將襯衫識(shí)別為襯衫,。然后你需要估計(jì)它有多重，它的質(zhì)量是如何分布的,，它的表面有多少摩擦力,。在這些猜測的基礎(chǔ)上，你將需要估計(jì)在哪里抓住襯衫,，以及在你抓住襯衫的每一點(diǎn)施加多大的力,，這項(xiàng)任務(wù)變得更具挑戰(zhàn)，因?yàn)橐r衫的形狀和質(zhì)量分布會(huì)在你舉起它的時(shí)候發(fā)生變化,。

人類毫不猶豫地輕而易舉地做到了這一點(diǎn),，但對于計(jì)算機(jī)來說，這些計(jì)算中的任何一種不確定性綜合了所有這些因素,，使之成為一項(xiàng)極其困難的任務(wù),。

雖然機(jī)器學(xué)習(xí)的應(yīng)用差異很大，但是我們應(yīng)該了解它已經(jīng)對工業(yè)和我們的生活產(chǎn)生了深刻的影響,。

最后,，日本人總是覺得機(jī)器人是美好的，而美國人覺得機(jī)器人會(huì)對人類造成威脅,！你覺得呢,，歡迎在評論里告訴我們！