機器學習、資料探勘及其他

機器學習、資料探勘及其他

在本書中，我們不斷地提及“智慧”，到底什麼是“智慧”？我們說的是人工智慧嗎？或者是機器學習？它跟資料探勘和軟計算有什麼關係？在學術界，對於本書中所介紹的內容的精確定義也已經爭論了好幾年。從實踐的角度看，這些概念並沒有實質性的區別，更多的是指應用環境的不同。本書融合了上述所有領域的精華，讓我們逐個來看看吧。

以其首字母縮寫AI而廣為人知的人工智慧是一個起源於20世紀50年代的計算領域。最初，AI的目標是極具野心的，試圖開發出能像人類一樣思考的機器（Russell and Norvig, 2002; Buchanan, 2005）。隨著時間的推移，目標變得更加可行和具體。遙不可及的目標不得不屈服於殘酷的現實，但是我們之前提及的很多領域都源自人工智慧，比如機器學習、資料探勘、軟計算等。

現在，即使是最先進的計算智慧系統也無法理解四歲小孩所閱讀的小故事。所以，如果我們無法讓計算機“思考”，是否能讓計算機“學習”呢？可以教會計算機根據動物的特徵來判斷物種嗎？識別不良的次級房貸呢？更復雜的事情，諸如語音識別並用自然語言答覆，計算機能做到嗎？所有這些問題的答案都是肯定的。然而你有可能會好奇，“這些問題到底說明了什麼？”。解決上面這些問題，一個最簡單的方法就是在計算機中構建一個龐大的資料表，把所有可能的問題的答案都存放在裡面，然後在回答問題時只需在表中搜尋現成的答案即可。

當然，這個查詢資料表的方法是可行的，但其中也有一些問題。首先，在實際的產品系統中，包含所有問題和答案的表肯定是非常大的。所以，從效率的角度考慮，這肯定不是一個最優的解決方案。其次，如果資料庫中沒有某個問題的答案，就無法給出回答，如果真有使用者問這些問題，你就只能用“敏感詞”來搪塞他了。最後，還必須安排人來構建和維護這個查詢表，而且隨著表的增長，所需的人數也會不斷增長，這估計會讓公司的財務部門比較惱火。所以，查詢表並不是一個好辦法，我們需要更好的解決方案。

機器學習指的是軟體系統能從已有的經驗中抽象出普遍的規則，然後利用這些規則回答各種問題，包括曾經遇到過的和不曾見過的。有些演算法對於人類是透明的，意思就是說，人類可以理解演算法所抽象出來的規則。透明演算法的典型例子有決策樹，以及所有基於規則的學習方法。還有一類演算法對人類是不透明的，例如，神經網路和支援向量機（SVM）就屬於這一類演算法。

時刻要記住，跟人類智慧一樣，機器智慧也是不可靠的。在智慧應用領域，你將學會如何處理不確定性和模糊性。就像真實世界一樣，所有問題的答案都有一個可信度，而不是絕對可靠的。雖然在我們的日常生活中，我們總是簡單地假設某些事情是一定會發生的。正因為如此，在使用智慧應用時，我們需要解決可信度、有效性以及錯誤代價等方面的問題。

本文節選自《智慧WEB演算法》一書。

圖書詳細資訊:http://space.itpub.net/?uid-13164110-action-viewspace-itemid-705377