機(jī)器學(xué)習(xí)使計(jì)算機(jī)能夠處理迄今為止僅由人執(zhí)行的任務(wù)。從駕駛汽車(chē)到翻譯語(yǔ)言，機(jī)器學(xué)習(xí)正在推動(dòng)人工智能爆炸式的增長(zhǎng)，幫助軟件理解混亂而不可預(yù)知的真實(shí)世界。

但究竟什么是機(jī)器學(xué)習(xí)，又是什么讓機(jī)器學(xué)習(xí)現(xiàn)在如此繁榮呢？

什么是機(jī)器學(xué)習(xí)？

在很高的水平上，機(jī)器學(xué)習(xí)是教授計(jì)算機(jī)系統(tǒng)如何在饋入數(shù)據(jù)時(shí)做出準(zhǔn)確預(yù)測(cè)的過(guò)程。

這些預(yù)測(cè)可以回答一張照片中的水果是香蕉還是蘋(píng)果，發(fā)現(xiàn)在自動(dòng)駕駛汽車(chē)前橫過(guò)馬路的人，電子郵件是否是垃圾郵件，或足夠準(zhǔn)確的識(shí)別語(yǔ)音以生成YouTube視頻的標(biāo)題。

與傳統(tǒng)計(jì)算機(jī)軟件的主要區(qū)別在于，人類(lèi)開(kāi)發(fā)人員沒(méi)有編寫(xiě)代碼來(lái)指導(dǎo)系統(tǒng)如何區(qū)分香蕉和蘋(píng)果之間的區(qū)別。相反，機(jī)器學(xué)習(xí)模式通過(guò)對(duì)大量數(shù)據(jù)進(jìn)行訓(xùn)練來(lái)準(zhǔn)確地區(qū)分果實(shí)，在這種情況下會(huì)有大量標(biāo)記為香蕉或蘋(píng)果的圖像。

AI和機(jī)器學(xué)習(xí)有什么不同？

機(jī)器學(xué)習(xí)可能已取得了巨大成功 ，但那只是實(shí)現(xiàn)人工智能的方式之一。在20世紀(jì)50年代人工智能領(lǐng)域誕生之時(shí)，人工智能被定義為任何能夠執(zhí)行具有人類(lèi)智慧任務(wù)的機(jī)器。

人工智能系統(tǒng)通常至少會(huì)展示以下特征中的一部分：規(guī)劃，學(xué)習(xí)，推理，解決問(wèn)題，知識(shí)表達(dá)，感知，動(dòng)作和操縱，以及社交智能和創(chuàng)造力。

除了機(jī)器學(xué)習(xí)外，還有其他各種用于構(gòu)建AI系統(tǒng)的方法，包括進(jìn)化計(jì)算，其中算法經(jīng)歷隨機(jī)變異和代之間的組合以試圖“演變”為最優(yōu)解決方案。以及專(zhuān)家系統(tǒng)，其中計(jì)算機(jī)按規(guī)則進(jìn)行編程允許它們模仿特定領(lǐng)域的專(zhuān)家，例如駕駛飛機(jī)的自動(dòng)駕駛系統(tǒng)。

機(jī)器學(xué)習(xí)有哪些主要類(lèi)型？

機(jī)器學(xué)習(xí)分為兩大類(lèi)：有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。

什么是監(jiān)督學(xué)習(xí)？這種方法基本上都是通過(guò)例子來(lái)學(xué)習(xí)。

在監(jiān)督學(xué)習(xí)訓(xùn)練期間，系統(tǒng)暴露于大量被標(biāo)記的數(shù)據(jù)，例如標(biāo)明了對(duì)應(yīng)數(shù)字的手寫(xiě)數(shù)字圖像。給出足夠的例子，監(jiān)督學(xué)習(xí)系統(tǒng)將學(xué)會(huì)識(shí)別與每個(gè)數(shù)字相關(guān)的像素和形狀，并且最終能夠識(shí)別手寫(xiě)數(shù)字，能夠可靠地區(qū)分?jǐn)?shù)字9和4或6和8。

但是，對(duì)這些系統(tǒng)進(jìn)行訓(xùn)練通常需要大量標(biāo)記數(shù)據(jù)，有些系統(tǒng)甚至需要暴露于數(shù)百萬(wàn)個(gè)示例才能掌握任務(wù)。

因此，用于培訓(xùn)這些系統(tǒng)的數(shù)據(jù)集可能非常龐大，Google的開(kāi)放圖像數(shù)據(jù)集包含大約900萬(wàn)個(gè)圖像，其帶有標(biāo)簽的視頻存儲(chǔ)庫(kù)YouTube-8M可鏈接到700萬(wàn)個(gè)帶標(biāo)簽的視頻，ImageNet是這類(lèi)早期數(shù)據(jù)庫(kù)之一，擁有超過(guò)1400萬(wàn)個(gè)分類(lèi)圖像。培訓(xùn)數(shù)據(jù)集的規(guī)模繼續(xù)增長(zhǎng)，F(xiàn)acebook最近宣布已經(jīng)編輯了35億張?jiān)贗nstagram上公開(kāi)發(fā)布的圖片，并使用每張圖片的標(biāo)簽作為標(biāo)簽。在ImageNet的基準(zhǔn)測(cè)試中，使用10億張這些照片來(lái)訓(xùn)練圖像識(shí)別系統(tǒng)的記錄準(zhǔn)確率達(dá)到了85.4％。

標(biāo)記訓(xùn)練中使用的數(shù)據(jù)集的繁瑣過(guò)程通常使用群集服務(wù)進(jìn)行，例如亞馬遜機(jī)械土耳其人，它提供了遍布全球的大量低成本勞動(dòng)力的訪問(wèn)。例如，ImageNet由兩年近5萬(wàn)人組成，主要通過(guò)Amazon Mechanical Turk招募。然而，F(xiàn)acebook使用公開(kāi)可用的數(shù)據(jù)來(lái)訓(xùn)練系統(tǒng)的方法可以提供另一種使用數(shù)十億個(gè)數(shù)據(jù)集的訓(xùn)練系統(tǒng)的方法，而無(wú)需手動(dòng)標(biāo)記的開(kāi)銷(xiāo)。

什么是無(wú)監(jiān)督學(xué)習(xí)？

相比之下，無(wú)監(jiān)督學(xué)習(xí)任務(wù)算法在數(shù)據(jù)中識(shí)別模式，試圖將相似性的數(shù)據(jù)進(jìn)行分類(lèi)。例如愛(ài)彼迎將鄰居可租用的房屋聚集在一起，或Google新聞每天將類(lèi)似主題的故事分組在一起。

該算法不是為了挑選特定類(lèi)型的數(shù)據(jù)而設(shè)計(jì)，它只是查找可以按照其相似性進(jìn)行分組的數(shù)據(jù)，或?qū)ふ彝怀霎惓５臄?shù)據(jù)。

什么是深度學(xué)習(xí)和深層神經(jīng)網(wǎng)絡(luò)？

機(jī)器學(xué)習(xí)的一個(gè)子集是深度學(xué)習(xí)，其中神經(jīng)網(wǎng)絡(luò)被擴(kuò)展到具有大量數(shù)據(jù)訓(xùn)練龐大網(wǎng)絡(luò)中。正是這些深度神經(jīng)網(wǎng)絡(luò)推動(dòng)了計(jì)算機(jī)執(zhí)行語(yǔ)音識(shí)別和計(jì)算機(jī)視覺(jué)方面能力的飛躍發(fā)展。

各種類(lèi)型的神經(jīng)網(wǎng)絡(luò)，有不同的優(yōu)勢(shì)和劣勢(shì)。遞歸神經(jīng)網(wǎng)絡(luò)是特別適用于語(yǔ)言處理和語(yǔ)音識(shí)別的一類(lèi)神經(jīng)網(wǎng)絡(luò)，而卷積神經(jīng)網(wǎng)絡(luò)更常用于圖像識(shí)別。神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)也在不斷發(fā)展，研究人員最近為有效類(lèi)型的深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一種更高效的設(shè)計(jì)，稱(chēng)為長(zhǎng)期短期記憶或LSTM，使其能夠快速運(yùn)行，例如Google翻譯。

進(jìn)化算法的AI技術(shù)甚至被用于優(yōu)化神經(jīng)網(wǎng)絡(luò)。該方法最近由優(yōu)步人工智能實(shí)驗(yàn)室展示，該實(shí)驗(yàn)室發(fā)布了關(guān)于使用遺傳算法訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)以強(qiáng)化學(xué)習(xí)問(wèn)題的論文。

機(jī)器學(xué)習(xí)用來(lái)干什么？

機(jī)器學(xué)習(xí)系統(tǒng)一直在我們身邊使用，是現(xiàn)代互聯(lián)網(wǎng)的基石。用于為您推薦在亞馬遜上想要購(gòu)買(mǎi)的產(chǎn)品或想要在Netflix上觀看的視頻。

每個(gè)Google搜索都使用多個(gè)機(jī)器學(xué)習(xí)系統(tǒng)，通過(guò)個(gè)性化搜索結(jié)果來(lái)了解查詢(xún)中的語(yǔ)言，因此搜索“低音”的釣魚(yú)愛(ài)好者不會(huì)被吉他的結(jié)果所淹沒(méi)。同樣，Gmail的垃圾郵件和網(wǎng)絡(luò)釣魚(yú)識(shí)別系統(tǒng)也使用經(jīng)過(guò)機(jī)器學(xué)習(xí)的訓(xùn)練模型，讓您的收件箱避開(kāi)流氓信息。

虛擬助手如蘋(píng)果的Siri，亞馬遜的Alexa，谷歌助理和微軟Cortana是機(jī)器學(xué)習(xí)最典型的例子。

除此之外，在許多其它行業(yè)中也有許多用處，包括：無(wú)人駕駛汽車(chē)，無(wú)人駕駛飛機(jī)的計(jì)算機(jī)視覺(jué)；聊天機(jī)器人和服務(wù)機(jī)器人的語(yǔ)音識(shí)別；人臉識(shí)別；幫助放射科醫(yī)生在X射線中挑選腫瘤，幫助研究人員發(fā)現(xiàn)與疾病相關(guān)的基因序列，并找出可能導(dǎo)致醫(yī)療保健中更有效藥物的分子；通過(guò)分析物聯(lián)網(wǎng)傳感器數(shù)據(jù)，允許對(duì)基礎(chǔ)設(shè)施進(jìn)行預(yù)測(cè)性維護(hù)等等。

本文由自興動(dòng)腦人工智能學(xué)員：柯斌斌提供

借助此文，接下來(lái)我們會(huì)一步步講到深度學(xué)習(xí)，本文做為一個(gè)跳板。