摘要
前期回顧：
機(jī)器學(xué)習(xí)與連續(xù)流連載系列丨使用康寧反應(yīng)器集成在線光譜，通過半監(jiān)督機(jī)器學(xué)習(xí)識別化學(xué)反應(yīng)式計(jì)量和動力學(xué)模型
點(diǎn)擊進(jìn)入原文查看
本期亮點(diǎn)
本期將對機(jī)器學(xué)習(xí)做一次全面感性認(rèn)識:
什么是機(jī)器學(xué)習(xí)？
機(jī)器學(xué)習(xí)的工作流程是怎樣的？
機(jī)器學(xué)習(xí)有幾種類型？
機(jī)器學(xué)習(xí)也有局限性？
機(jī)器學(xué)習(xí)（Machine Learning, ML）作為人工智能（Artificial Intelligence, AI）的一個(gè)分支，正在逐漸改變我們與技術(shù)的互動方式。本文將探討機(jī)器學(xué)習(xí)的核心概念、工作流程、類型、優(yōu)勢與局限。
點(diǎn)擊關(guān)注公眾號，我們下期不見不散！
在回答機(jī)器學(xué)習(xí)前，先回到人類的學(xué)習(xí)，什么叫做學(xué)習(xí)或者學(xué)會了？簡而言之就是發(fā)現(xiàn)規(guī)律，能根據(jù)已有情況，尋找規(guī)律，解決新問題。
“過擬合”，打個(gè)比方就像某學(xué)生做大量題，他死記硬背，只會做已經(jīng)做過的相同的題，遇到相同知識基礎(chǔ)的新題（稍微變化一下）就不會解答，也就是“泛化能力”差。
比如某某學(xué)生在模擬考試中，考試成績好，到了正式考試時(shí)，成績不理想，很多家長認(rèn)為沒有考試運(yùn)。當(dāng)然這個(gè)有很多原因，比如考試時(shí)緊張，身體出現(xiàn)不適等，但有個(gè)原因就是其“泛化能力”差，模擬考是他做過的題，沒有從中“泛化”出規(guī)律去解答新題。
機(jī)器學(xué)習(xí)類似人類學(xué)習(xí)，根據(jù)大量題型總結(jié)規(guī)律，根據(jù)規(guī)律去解決新問題。
人工智能先驅(qū)Arthur Samuel，在1950年代將“機(jī)器學(xué)習(xí)”定義為，“使計(jì)算機(jī)能夠在沒有明確編程的情況下進(jìn)行學(xué)習(xí)的研究領(lǐng)域”。
Nvidia認(rèn)為“機(jī)器學(xué)習(xí)最基本的是使用算法解析數(shù)據(jù)，從中學(xué)習(xí)，然后對世界上的事物做出決定或預(yù)測。”
傳統(tǒng)編程
機(jī)器學(xué)習(xí)
傳統(tǒng)編程需要寫好嚴(yán)格的詳細(xì)的程序指令，根據(jù)輸入數(shù)據(jù)得到輸出結(jié)果。其難度在于程序的編寫，有時(shí)不能覆蓋某些新情況。比如做饅頭，寫好買1kg白面粉，和面加入X kg水，捏好形狀，放入蒸籠蒸X分鐘。如果遇到了玉米粉，它就不會做玉米饅頭了。
機(jī)器學(xué)習(xí)是通過算法和大量的做饅頭的書籍介紹等，總結(jié)出通用規(guī)律，這樣遇到玉米粉也能輸出相應(yīng)做玉米饅頭的步驟。所以機(jī)器學(xué)習(xí)難在解析數(shù)據(jù)結(jié)構(gòu)，發(fā)現(xiàn)規(guī)律。
機(jī)器學(xué)習(xí)的工作流程包括以下幾個(gè)關(guān)鍵步驟：
數(shù)據(jù)收集：從不同來源收集數(shù)據(jù)，如音樂錄音、患者病史或照片。
數(shù)據(jù)準(zhǔn)備：清洗數(shù)據(jù)、去除錯(cuò)誤，并進(jìn)行格式化，使其適合計(jì)算機(jī)處理。
選擇和訓(xùn)練模型：根據(jù)任務(wù)選擇合適的機(jī)器學(xué)習(xí)模型，并開始訓(xùn)練過程。
模型優(yōu)化：通過調(diào)整參數(shù)或設(shè)置來提高模型的準(zhǔn)確性。
模型評估：使用未包含在訓(xùn)練數(shù)據(jù)中的新數(shù)據(jù)來測試模型的泛化能力。
模型部署：將訓(xùn)練和評估好的模型用于對新數(shù)據(jù)進(jìn)行預(yù)測或識別模式。
機(jī)器學(xué)習(xí)模型主要分為四種類型：
監(jiān)督學(xué)習(xí)：使用帶有明確描述或標(biāo)簽的訓(xùn)練數(shù)據(jù)，算法在“監(jiān)督者”的幫助下學(xué)習(xí)。監(jiān)督學(xué)習(xí)就像做題，有答案和目標(biāo)可以參照。
無監(jiān)督學(xué)習(xí)：使用未標(biāo)記的訓(xùn)練數(shù)據(jù)，目的是在沒有具體指導(dǎo)的情況下發(fā)現(xiàn)數(shù)據(jù)中的模式、結(jié)構(gòu)或關(guān)系。
半監(jiān)督學(xué)習(xí)：嚴(yán)格意義上來說不算獨(dú)立分類，顧名思義就是有一部分有明確描述的數(shù)據(jù)來訓(xùn)練。例如上篇文章提到的半監(jiān)督學(xué)習(xí)。就是先做一部分給答案的題，然后根據(jù)規(guī)律去做另一半沒有答案的題目。
強(qiáng)化學(xué)習(xí)：計(jì)算機(jī)程序通過與環(huán)境的交互來學(xué)習(xí)，通過試錯(cuò)來確定在特定情境下的最佳行動。
優(yōu)勢
數(shù)據(jù)處理能力：機(jī)器學(xué)習(xí)能夠處理大量數(shù)據(jù)，并自行發(fā)現(xiàn)模式和進(jìn)行預(yù)測。
靈活性：機(jī)器學(xué)習(xí)模型可以適應(yīng)新數(shù)據(jù)，并隨著時(shí)間的推移不斷提高準(zhǔn)確性。
自動化：機(jī)器學(xué)習(xí)模型消除了手動數(shù)據(jù)分析和解釋的需要，實(shí)現(xiàn)了決策自動化。
局限
過擬合和泛化問題：機(jī)器學(xué)習(xí)模型可能過于適應(yīng)訓(xùn)練數(shù)據(jù)，導(dǎo)致無法泛化到未見過的例子。
可解釋性：一些機(jī)器學(xué)習(xí)模型像“黑箱”一樣運(yùn)作，即使是專家也無法解釋它們的決策或預(yù)測。
算法偏差：由于訓(xùn)練數(shù)據(jù)可能包含人類的偏見，這可能導(dǎo)致算法偏差，產(chǎn)生不公平的結(jié)果。
(空格分隔,最多3個(gè),單個(gè)標(biāo)簽最多10個(gè)字符)
8
立即詢價(jià)
您提交后，專屬客服將第一時(shí)間為您服務(wù)