AI學習筆記之——如何理解機器學習(Machine Learning)

前面雖然介紹了概率和貝葉斯網路，但是還是沒有正式介紹AI中最重要的演算法——機器學習。如果說概率論是機器學習的基石，那麼機器學習演算法和理論就是支撐整個AI系統的支柱。現在比較火的深度學習神經網路等等其實也就是機器學習的一個具體方法和分支。

我們知道程式設計師如果你要命令計算機做一件事情，他需要知道解決這個事情的每一個步驟，然後用判斷，迴圈等指令，一步一步地告訴計算機如何去完成。比如自動售貨機，計算機從你輸入的號碼查詢到商品的價格和貨架的位置，等待你付款成功之後就將商品“吐”出來。對於這種重複性的勞動這種程式是非常高效的。但是某些問題諸如自動駕駛問題，是不可能通過這種方式解決的。所以就有了現在最流行的機器學習。

機器學習就是和人類一樣，通過不停地輸入資料（資訊）然後自動學習解決問題的辦法。比如圖片識別，小孩子是不可能出生的時候就知道什麼是人什麼是貓什麼是狗，而是家長和老師們不停地在圖片，視訊或者現實生活當中給他們“指出”這是貓這是狗，小孩看（資料輸入）多了自然就知道貓和狗的區別，下次在見到相同的動物也就學會了識別貓狗了。機器學習一樣，人類標記（指出）大量帶有貓狗的圖片“喂”給機器，通過機器學習演算法，機器自動就掌握了學習識別貓狗的演算法，於是我們就可以用這個經過訓練的機器去幫我們去識別貓狗了。

機器學習有很多分類，比如上面識別貓狗的例子就是一種用於分類(Classification)的監督學習演算法（Supervised Learning）。那理解機器學習，首先就需要了解機器學習演算法是怎麼分類的，機器學習演算法可以從以下幾個角度來進行分類：

1、學習什麼（What）

就是這個機器學習的演算法是用來學習什麼的，是學習引數(Parameters)的嗎？比如下雨的概率。是學習結構(Structure)嗎? 比如貝葉斯網路的結構。還是學習隱藏的概念(Hidden concepts)比如廣告商發現喜愛廣告的不同群體。

2、從那裡學習（What From）

是監督學習（Supervised Learning）,無監督學習（Unsupervised Learning）還是強化學習（Reinforcement Learning）。前兩者的區別是是否有人類標記。而是否是強化學習是指學習者是否是在與環境的互動中不停學習的，比如對話機器人。

3、學來幹什麼（What for）

是用來預測(Prediction), 比如預測天氣；是用來診斷(Diagnostics)，比如診斷病情；還是用來總結(Summarize)比如寫閱讀總結；等等用途

4、怎麼學習（How）

是被動（Passive）的嗎? 比如學習者是否這是觀察者而不會改變環境和資料，還是主動的(Active)。是線上(Online)的還是線下(offline)的這取決於資料是在學習之前產生的還是在學習當中不停地產生。

5、學習的輸出（Output）

是分類(Classification)呢(比如識別貓狗)還是迴歸(regression)比如預測房價。

6 、學習細節（Detail）

學習建立模型是越普遍（generative）越好，還是越特定(Discriminative)越好呢。

上面就從各個角度對不同的機器學習進行分類，雖然看起來比較浮於表面，但是這對真正理解機器學習非常重要，希望在今後的筆記中與大家一起學習，不斷進步。

文章首發steemit.com 為了方便牆內閱讀，搬運至此，歡迎留言或者訪問我的Steemit主頁