談談基於機器學習的程式設計到底比傳統程式設計強在哪裡？

在本文開始之前，筆者要和大家分享兩個在網路上流行的公式：

傳統程式設計的公式：規則+資料=答案
機器學習的公式：答案+資料=規則

這兩個公式中的三個關鍵詞是一模一樣的，分別是資料、規則和答案，但是這三個關鍵詞在等號左右的排列位置卻不同。從中我們不難看出，機器學習正在改變著整個程式設計行業。

而這一觀點也得到了一些專家的佐證，以網路安全為例，Institute for Critical Infrastructure Technology高階研究員James Scott 曾表示，基於簽名的惡意軟體檢測已死，取而代之的是基於機器學習的人工智慧，它將成為防禦變異雜湊最好的方式。

那麼，基於機器學習的程式設計到底與傳統程式設計有哪些不同呢？顧名思義，機器學習大部分工作是由機器來完成的，而傳統程式設計需要程式設計師自己根據具體的問題建模解決。除此之外，基於機器學習的程式設計比傳統程式設計還強在哪裡呢？

輸入

首先，兩者輸入的都是資料，但是能夠接受的資料型別不同。基於機器學習的程式設計基本可以接受所有的資料型別，例如聲音、圖片、視訊、文字等等，而傳統程式設計接受的資料型別要看程式設計師的設定，一般來說只可以接受程式設計師定義好的資料型別。

基於機器學習的資料選擇還可以分為三部分，訓練用資料、驗證用資料和測試用資料。隨著資料的不斷累積，反覆讓之前的簡單邏輯與資料結果進行比對，不斷修正驗證，最終結果會愈趨向正確。而傳統程式設計是基於規則的演算法，如果發生錯誤，那麼在被發現之前，該錯誤會一直重複發生。

處理

基於機器學習的程式設計中，處理包括知識表示和模式匹配、搜尋、邏輯、問題解決和學習。而在傳統程式設計中，需要根據待解決的問題設計程式，並完成字元輸入。

機器學習比較常見的3個應用場景分別是：一次性模型，要解決的問題是由上級嚴格定義的，並且提供了一些小型資料；嵌入模型，裡面有許多變數，比如，模型是靜態的還是迭代的，是區域性的還是通過API遠端呼叫的等等；深度模型，建立用於特定某個領域預測的模型，並通過經驗和技巧來提升和證明其準確性。

預測

基於機器學習的程式設計是基於預測的，而傳統程式設計是基於解釋的。基於概率、基於反饋、基於總結，這是機器學習這種經驗主義最大的特點，也是與傳統程式設計這種基於因果關係的最大不同點。

結論

通過上文對比，基於機器學習的程式設計在很多方面都勝過傳統程式設計，傳統程式設計更適合於簡單的任務，而基於機器學習的程式設計更適合解決複雜的問題。針對基於機器學習的程式設計步驟，普華永道也給出了描述，筆者在此貼出來，希望能對大家有用。

普華永道資訊圖總結的機器學習的主要流程/步驟：

• 選擇資料：這一過程又分為三部分，分別是訓練用資料、驗證用資料、測試用資料
• 資料建模：使用訓練資料構建涉及相關特徵的模型
• 驗證模型：用驗證資料驗證建立的模型
• 除錯模型：為了提升模型的效能，使用更多的資料、不同的特徵，調整引數，這也是最耗時耗力的一步
• 使用模型：部署模型訓練好的模型，對新的資料進行預測
• 測試模型：使用測試用資料驗證模型，並評估模型的效能

參考連結：https://www.analyticsindiamag.com/heres-why-machine-learning-wins-hands-down-against-conventional-programming/