[[204864]]

機器學(xué)習(xí)(Machine Learning，ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。其專門研究計算機是怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)，使之不斷改善自身的性能。此外，數(shù)據(jù)挖掘和機器學(xué)習(xí)有很大的交集。本文將從架構(gòu)和應(yīng)用角度去解讀這兩個領(lǐng)域。

機器學(xué)習(xí)和數(shù)據(jù)挖掘的聯(lián)系與區(qū)別

數(shù)據(jù)挖掘是從海量數(shù)據(jù)中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程。數(shù)據(jù)挖掘中用到了大量的機器學(xué)習(xí)界提供的數(shù)據(jù)分析技術(shù)和數(shù)據(jù)庫界提供的數(shù)據(jù)管理技術(shù)。從數(shù)據(jù)分析的角度來看，數(shù)據(jù)挖掘與機器學(xué)習(xí)有很多相似之處，但不同之處也十分明顯，例如，數(shù)據(jù)挖掘并沒有機器學(xué)習(xí)探索人的學(xué)習(xí)機制這一科學(xué)發(fā)現(xiàn)任務(wù)，數(shù)據(jù)挖掘中的數(shù)據(jù)分析是針對海量數(shù)據(jù)進行的，等等。從某種意義上說，機器學(xué)習(xí)的科學(xué)成分更重一些，而數(shù)據(jù)挖掘的技術(shù)成分更重一些。

學(xué)習(xí)能力是智能行為的一個非常重要的特征，不具有學(xué)習(xí)能力的系統(tǒng)很難稱之為一個真正的智能系統(tǒng)，而機器學(xué)習(xí)則希望(計算機)系統(tǒng)能夠利用經(jīng)驗來改善自身的性能，因此該領(lǐng)域一直是人工智能的核心研究領(lǐng)域之一。在計算機系統(tǒng)中，“經(jīng)驗”通常是以數(shù)據(jù)的形式存在的，因此，機器學(xué)習(xí)不僅涉及對人的認知學(xué)習(xí)過程的探索，還涉及對數(shù)據(jù)的分析處理。實際上，機器學(xué)習(xí)已經(jīng)成為計算機數(shù)據(jù)分析技術(shù)的創(chuàng)新源頭之一。由于幾乎所有的學(xué)科都要面對數(shù)據(jù)分析任務(wù)，因此機器學(xué)習(xí)已經(jīng)開始影響到計算機科學(xué)的眾多領(lǐng)域，甚至影響到計算機科學(xué)之外的很多學(xué)科。機器學(xué)習(xí)是數(shù)據(jù)挖掘中的一種重要工具。然而數(shù)據(jù)挖掘不僅僅要研究、拓展、應(yīng)用一些機器學(xué)習(xí)方法，還要通過許多非機器學(xué)習(xí)技術(shù)解決數(shù)據(jù)倉儲、大規(guī)模數(shù)據(jù)、數(shù)據(jù)噪聲等實踐問題。機器學(xué)習(xí)的涉及面也很寬，常用在數(shù)據(jù)挖掘上的方法通常只是“從數(shù)據(jù)學(xué)習(xí)”。然而機器學(xué)習(xí)不僅僅可以用在數(shù)據(jù)挖掘上，一些機器學(xué)習(xí)的子領(lǐng)域甚至與數(shù)據(jù)挖掘關(guān)系不大，如增強學(xué)習(xí)與自動控制等。所以筆者認為，數(shù)據(jù)挖掘是從目的而言的，機器學(xué)習(xí)是從方法而言的，兩個領(lǐng)域有相當大的交集，但不能等同。

典型的數(shù)據(jù)挖掘和機器學(xué)習(xí)過程

圖1是一個典型的推薦類應(yīng)用，需要找到“符合條件的”潛在人員。要從用戶數(shù)據(jù)中得出這張列表，首先需要挖掘出客戶特征，然后選擇一個合適的模型來進行預(yù)測，最后從用戶數(shù)據(jù)中得出結(jié)果。

圖1

把上述例子中的用戶列表獲取過程進行細分，有如下幾個部分(見圖2)。

圖2

• 業(yè)務(wù)理解：理解業(yè)務(wù)本身，其本質(zhì)是什么?是分類問題還是回歸問題?數(shù)據(jù)怎么獲取?應(yīng)用哪些模型才能解決?
• 數(shù)據(jù)理解：獲取數(shù)據(jù)之后，分析數(shù)據(jù)里面有什么內(nèi)容、數(shù)據(jù)是否準確，為下一步的預(yù)處理做準備。
• 數(shù)據(jù)預(yù)處理：原始數(shù)據(jù)會有噪聲，格式化也不好，所以為了保證預(yù)測的準確性，需要進行數(shù)據(jù)的預(yù)處理。
• 特征提?。禾卣魈崛∈菣C器學(xué)習(xí)最重要、最耗時的一個階段。
• 模型構(gòu)建：使用適當?shù)乃惴?，獲取預(yù)期準確的值。
• 模型評估：根據(jù)測試集來評估模型的準確度。
• 模型應(yīng)用：將模型部署、應(yīng)用到實際生產(chǎn)環(huán)境中。
• 應(yīng)用效果評估：根據(jù)最終的業(yè)務(wù)，評估最終的應(yīng)用效果。

整個過程會不斷反復(fù)，模型也會不斷調(diào)整，直至達到理想效果。

機器學(xué)習(xí)概覽

機器學(xué)習(xí)的算法有很多，這里從兩個方面進行介紹：一個是學(xué)習(xí)方式，另一個是算法類似性。

學(xué)習(xí)方式

根據(jù)數(shù)據(jù)類型的不同，對一個問題的建?？梢杂胁煌姆绞?。在機器學(xué)習(xí)或人工智能領(lǐng)域，人們首先會考慮算法的學(xué)習(xí)方式。在機器學(xué)習(xí)領(lǐng)域有如下幾種主要的學(xué)習(xí)方式。

• 監(jiān)督式學(xué)習(xí)：在監(jiān)督式學(xué)習(xí)下，輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)都有一個明確的標識或結(jié)果，如對防垃圾郵件系統(tǒng)中的“垃圾郵件”、“非垃圾郵件”，對手寫數(shù)字識別中的“1”、“2”、“3”、“4”等。在建立預(yù)測模型的時候，監(jiān)督式學(xué)習(xí)建立一個學(xué)習(xí)過程，將預(yù)測結(jié)果與“訓(xùn)練數(shù)據(jù)”的實際結(jié)果進行比較，不斷地調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達到一個預(yù)期的準確率。監(jiān)督式學(xué)習(xí)的常見應(yīng)用場景包括分類問題和回歸問題。常見算法有邏輯回歸和反向傳遞神經(jīng)網(wǎng)絡(luò)。
• 非監(jiān)督式學(xué)習(xí)：在非監(jiān)督式學(xué)習(xí)下，數(shù)據(jù)并不被特別標識，學(xué)習(xí)模型是為了推斷出數(shù)據(jù)的一些內(nèi)在結(jié)構(gòu)。常見的應(yīng)用場景包括關(guān)聯(lián)規(guī)則的學(xué)習(xí)及聚類等。常見算法包括Apriori算法和K-Means算法。
• 半監(jiān)督式學(xué)習(xí)：在半監(jiān)督式學(xué)習(xí)下，輸入數(shù)據(jù)部分被標識，部分沒有被標識。這種學(xué)習(xí)模型可以用來進行預(yù)測，但是模型首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便合理地組織數(shù)據(jù)進行預(yù)測。其應(yīng)用場景包括分類和回歸。常見算法包括一些對常用監(jiān)督式學(xué)習(xí)算法的延伸。這些算法首先試圖對未標識的數(shù)據(jù)進行建模，然后在此基礎(chǔ)上對標識的數(shù)據(jù)進行預(yù)測，如圖論推理算法或拉普拉斯支持向量機等。
• 強化學(xué)習(xí)：在強化學(xué)習(xí)下，輸入數(shù)據(jù)作為對模型的反饋，不像監(jiān)督模型那樣，輸入數(shù)據(jù)僅僅作為一種檢查模型對錯的方式。在強化學(xué)習(xí)下，輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻做出調(diào)整。常見的應(yīng)用場景包括動態(tài)系統(tǒng)及機器人控制等。常見算法包括Q-Learning及時間差學(xué)習(xí)(Temporal Difference Learning)等。

在企業(yè)數(shù)據(jù)應(yīng)用的場景下，人們最常用的可能就是監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí)。在圖像識別等領(lǐng)域，由于存在大量的非標識數(shù)據(jù)和少量的可標識數(shù)據(jù)，目前半監(jiān)督式學(xué)習(xí)是一個很熱門的話題。而強化學(xué)習(xí)更多地應(yīng)用在機器人控制及其他需要進行系統(tǒng)控制的領(lǐng)域。

算法類似性

根據(jù)算法的功能和形式的類似性，可以對算法進行分類，如基于樹的算法、基于神經(jīng)網(wǎng)絡(luò)的算法等。當然，機器學(xué)習(xí)的范圍非常龐大，有些算法很難明確歸到某一類。而對于有些分類來說，同一分類的算法可以針對不同類型的問題。這里，我們盡量把常用的算法按照最容易理解的方式進行分類。

• 回歸算法：回歸算法是試圖采用對誤差的衡量來探索變量之間的關(guān)系的一類算法?；貧w算法是統(tǒng)計機器學(xué)習(xí)的利器。常見的回歸算法包括最小二乘法、邏輯回歸、逐步式回歸、多元自適應(yīng)回歸樣條及本地散點平滑估計等。
• 基于實例的算法：基于實例的算法常常用來對決策問題建立模型，這樣的模型常常先選取一批樣本數(shù)據(jù)，然后根據(jù)某些近似性把新數(shù)據(jù)與樣本數(shù)據(jù)進行比較，從而找到最佳的匹配。因此，基于實例的算法常常被稱為“贏家通吃學(xué)習(xí)”或者“基于記憶的學(xué)習(xí)”。常見的算法包括k-Nearest Neighbor(kNN)、學(xué)習(xí)矢量量化(Learning Vector Quantization，LVQ)及自組織映射算法(Self-Organizing Map，SOM)等。
• 正則化算法：正則化算法是其他算法(通常是回歸算法)的延伸，根據(jù)算法的復(fù)雜度對算法進行調(diào)整。正則化算法通常對簡單模型予以獎勵，而對復(fù)雜算法予以懲罰。常見的算法包括Ridge Regression、Least Absolute Shrinkage and Selection Operator(LASSO)及彈性網(wǎng)絡(luò)(Elastic Net)等。
• 決策樹算法：決策樹算法根據(jù)數(shù)據(jù)的屬性采用樹狀結(jié)構(gòu)建立決策模型，常用來解決分類和回歸問題。常見算法包括分類及回歸樹(Classification and Regression Tree，CART)、ID3(Iterative Dichotomiser 3)、C4.5、Chi-squared Automatic Interaction Detection(CHAID)、Decision Stump、隨機森林(Random Forest)、多元自適應(yīng)回歸樣條(MARS)及梯度推進機(GBM)等。
• 貝葉斯算法：貝葉斯算法是基于貝葉斯定理的一類算法，主要用來解決分類和回歸問題。常見的算法包括樸素貝葉斯算法、平均單依賴估計(Averaged One-Dependence Estimators，AODE)及Bayesian Belief Network(BBN)等。
• 基于核的算法：基于核的算法中最著名的莫過于支持向量機(SVM)。基于核的算法是把輸入數(shù)據(jù)映射到一個高階的向量空間，在這些高階向量空間里，有些分類或者回歸問題能夠更容易地解決。常見的基于核的算法包括支持向量機(Support Vector Machine，SVM)、徑向基函數(shù)(Radial Basis Function，RBF)及線性判別分析(Linear Discriminate Analysis，LDA)等。
• 聚類算法：聚類算法通常按照中心點或者分層的方式對輸入數(shù)據(jù)進行歸并。所有的聚類算法都試圖找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便按照最大的共同點將數(shù)據(jù)進行歸類。常見的聚類算法包括K-Means算法及期望最大化算法(EM)等。
• 關(guān)聯(lián)規(guī)則學(xué)習(xí)：關(guān)聯(lián)規(guī)則學(xué)習(xí)通過尋找最能夠解釋數(shù)據(jù)變量之間關(guān)系的規(guī)則，來找出大量多元數(shù)據(jù)集中有用的關(guān)聯(lián)規(guī)則。常見的算法包括Apriori算法和Eclat算法等。
• 人工神經(jīng)網(wǎng)絡(luò)算法：人工神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò)，是一類模式匹配算法，通常用于解決分類和回歸問題。人工神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的一個龐大的分支，有幾百種不同的算法(深度學(xué)習(xí)就是其中的一類算法)。常見的人工神經(jīng)網(wǎng)絡(luò)算法包括感知器神經(jīng)網(wǎng)絡(luò)、反向傳遞、Hopfield網(wǎng)絡(luò)、自組織映射及學(xué)習(xí)矢量量化等。
• 深度學(xué)習(xí)算法：深度學(xué)習(xí)算法是對人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在計算能力變得日益廉價的今天，深度學(xué)習(xí)算法試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)。很多深度學(xué)習(xí)算法是半監(jiān)督式學(xué)習(xí)算法，用來處理存在少量未標識數(shù)據(jù)的大數(shù)據(jù)集。常見的深度學(xué)習(xí)算法包括受限波爾茲曼機(RBN)、Deep Belief Networks(DBN)、卷積網(wǎng)絡(luò)(Convolutional Network)及堆棧式自動編碼器 (Stacked Auto-encoders)等。
• 降低維度算法：與聚類算法一樣，降低維度算法試圖分析數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，不過降低維度算法通過非監(jiān)督式學(xué)習(xí)，試圖利用較少的信息來歸納或者解釋數(shù)據(jù)。這類算法可以用于高維數(shù)據(jù)的可視化，或者用來簡化數(shù)據(jù)以便監(jiān)督式學(xué)習(xí)使用。常見的降低維度算法包括主成分分析(Principle Component Analysis，PCA)、偏最小二乘回歸(Partial Least Square Regression，PLSR)、Sammon映射、多維尺度(Multi-Dimensional Scaling，MDS)及投影追蹤(Projection Pursuit)等。
• 集成算法：集成算法用一些相對較弱的學(xué)習(xí)模型獨立地就同樣的樣本進行訓(xùn)練，然后把結(jié)果整合起來進行整體預(yù)測。集成算法的主要難點在于究竟集成哪些獨立的、較弱的學(xué)習(xí)模型，以及如何把學(xué)習(xí)結(jié)果整合起來。這是一類非常強大的算法，同時也非常流行。常見的集成算法包括Boosting、Bootstrapped Aggregation(Bagging)、AdaBoost、堆疊泛化(Stacked Generalization，Blending)、梯度推進機(Gradient Boosting Machine，GBM)及隨機森林(Random Forest)等。

機器學(xué)習(xí)&數(shù)據(jù)挖掘應(yīng)用案例

前面了解了機器學(xué)習(xí)和數(shù)據(jù)挖掘的基本概念，下面來看一下業(yè)界成熟的案例，對機器學(xué)習(xí)和數(shù)據(jù)挖掘有一個直觀的理解。

尿布和啤酒的故事

先來看一則有關(guān)數(shù)據(jù)挖掘的故事——“尿布與啤酒”。

總部位于美國阿肯色州的世界著名商業(yè)零售連鎖企業(yè)沃爾瑪擁有世界上最大的數(shù)據(jù)倉庫系統(tǒng)。為了能夠準確了解顧客在其門店的購買習(xí)慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經(jīng)常一起購買的商品有哪些。沃爾瑪數(shù)據(jù)倉庫里集中了其各門店的詳細原始交易數(shù)據(jù)，在這些原始交易數(shù)據(jù)的基礎(chǔ)上，沃爾瑪利用NCR數(shù)據(jù)挖掘工具對這些數(shù)據(jù)進行分析和挖掘。一個意外的發(fā)現(xiàn)是：跟尿布一起購買最多的商品竟然是啤酒!這是數(shù)據(jù)挖掘技術(shù)對歷史數(shù)據(jù)進行分析的結(jié)果，反映了數(shù)據(jù)的內(nèi)在規(guī)律。那么，這個結(jié)果符合現(xiàn)實情況嗎?是否有利用價值?

于是，沃爾瑪派出市場調(diào)查人員和分析師對這一數(shù)據(jù)挖掘結(jié)果進行調(diào)查分析，從而揭示出隱藏在“尿布與啤酒”背后的美國人的一種行為模式：在美國，一些年輕的父親下班后經(jīng)常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產(chǎn)生這一現(xiàn)象的原因是：美國的太太們常叮囑她們的丈夫下班后為小孩買尿布，而丈夫們在買完尿布后又隨手帶回了他們喜歡的啤酒。

既然尿布與啤酒一起被購買的機會很多，于是沃爾瑪就在其各家門店將尿布與啤酒擺放在一起，結(jié)果是尿布與啤酒的銷售量雙雙增長。

決策樹用于電信領(lǐng)域故障快速定位

電信領(lǐng)域比較常見的應(yīng)用場景是決策樹，利用決策樹來進行故障定位。比如，用戶投訴上網(wǎng)慢，其中就有很多種原因，有可能是網(wǎng)絡(luò)的問題，也有可能是用戶手機的問題，還有可能是用戶自身感受的問題。怎樣快速分析和定位出問題，給用戶一個滿意的答復(fù)?這就需要用到?jīng)Q策樹。

圖3就是一個典型的用戶投訴上網(wǎng)慢的決策樹的樣例。 

圖3

圖像識別領(lǐng)域

• 小米面孔相冊

這項功能的名字叫“面孔相冊”，可以利用圖像分析技術(shù)，自動地對云相冊照片內(nèi)容按照面孔進行分類整理。開啟“面孔相冊”功能后，可以自動識別、整理和分類云相冊中的不同面孔。

“面孔相冊”還支持手動調(diào)整分組、移出錯誤面孔、通過系統(tǒng)推薦確認面孔等功能，從而彌補機器識別的不足。

這項功能的背后其實使用的是深度學(xué)習(xí)技術(shù)，自動識別圖片中的人臉，然后進行自動識別和分類。

• 支付寶掃臉支付

馬云在2015 CeBIT展會開幕式上首次展示了螞蟻金服的最新支付技術(shù)“Smile to Pay”(掃臉支付)，驚艷全場。支付寶宣稱，F(xiàn)ace++ Financial人臉識別技術(shù)在LFW國際公開測試集中達到99.5%的準確率，同時還能運用“交互式指令+連續(xù)性判定+3D判定”技術(shù)。人臉識別技術(shù)基于神經(jīng)網(wǎng)絡(luò)，讓計算機學(xué)習(xí)人的大腦，并通過“深度學(xué)習(xí)算法”大量訓(xùn)練，讓它變得極為“聰明”，能夠“認人”。實現(xiàn)人臉識別不需要用戶自行提交照片，有資質(zhì)的機構(gòu)在需要進行人臉識別時，可以向全國公民身份證號碼查詢服務(wù)中心提出申請，將采集到的照片與該部門的權(quán)威照片庫進行比對。

也就是說，用戶在進行人臉識別時，只需打開手機或電腦的攝像頭，對著自己的正臉進行拍攝即可。在智能手機全面普及的今天，這個參與門檻低到可以忽略不計。

用戶容易擔心的隱私問題在人臉識別領(lǐng)域也能有效避免，因為照片來源權(quán)威，同時，一種特有的“脫敏”技術(shù)可以將照片模糊處理成肉眼無法識別而只有計算機才能識別的圖像。

• 圖片內(nèi)容識別

前面兩個案例介紹的都是圖片識別，比圖片識別更難的是圖片語義的理解和提取，百度和Google都在進行這方面的研究。

百度的百度識圖能夠有效地處理特定物體的檢測識別(如人臉、文字或商品)、通用圖像的分類標注，如圖4所示。 

圖4

來自Google研究院的科學(xué)家發(fā)表了一篇博文，展示了Google在圖形識別領(lǐng)域的最新研究進展?；蛟S未來Google的圖形識別引擎不僅能夠識別出圖片中的對象，還能夠?qū)φ麄€場景進行簡短而準確的描述，如圖5所示。這種突破性的概念來自機器語言翻譯方面的研究成果：通過一種遞歸神經(jīng)網(wǎng)絡(luò)(RNN)將一種語言的語句轉(zhuǎn)換成向量表達，并采用第二種RNN將向量表達轉(zhuǎn)換成目標語言的語句。

圖5

而Google將以上過程中的第一種RNN用深度卷積神經(jīng)網(wǎng)絡(luò)CNN替代，這種網(wǎng)絡(luò)可以用來識別圖像中的物體。通過這種方法可以實現(xiàn)將圖像中的對象轉(zhuǎn)換成語句，對圖像場景進行描述。概念雖然簡單，但實現(xiàn)起來十分復(fù)雜，科學(xué)家表示目前實驗產(chǎn)生的語句合理性不錯，但距離完美仍有差距，這項研究目前僅處于早期階段。圖6展示了通過此方法識別圖像對象并產(chǎn)生描述的過程。

圖6

自然語言識別

自然語言識別一直是一個非常熱門的領(lǐng)域，最有名的是蘋果的Siri，支持資源輸入，調(diào)用手機自帶的天氣預(yù)報、日常安排、搜索資料等應(yīng)用，還能夠不斷學(xué)習(xí)新的聲音和語調(diào)，提供對話式的應(yīng)答。微軟的Skype Translator可以實現(xiàn)中英文之間的實時語音翻譯功能，將使得英文和中文普通話之間的實時語音對話成為現(xiàn)實。

Skype Translator的運作機制如圖7所示。

圖7

在準備好的數(shù)據(jù)被錄入機器學(xué)習(xí)系統(tǒng)后，機器學(xué)習(xí)軟件會在這些對話和環(huán)境涉及的單詞中搭建一個統(tǒng)計模型。當用戶說話時，軟件會在該統(tǒng)計模型中尋找相似的內(nèi)容，然后應(yīng)用到預(yù)先“學(xué)到”的轉(zhuǎn)換程序中，將音頻轉(zhuǎn)換為文本，再將文本轉(zhuǎn)換成另一種語言。

雖然語音識別一直是近幾十年來的重要研究課題，但是該技術(shù)的發(fā)展普遍受到錯誤率高、麥克風(fēng)敏感度差異、噪聲環(huán)境等因素的阻礙。將深層神經(jīng)網(wǎng)絡(luò)(DNNs)技術(shù)引入語音識別，極大地降低了錯誤率、提高了可靠性，最終使這項語音翻譯技術(shù)得以廣泛應(yīng)用。

深度學(xué)習(xí)

Artificial Intelligence(人工智能)是人類美好的愿望之一。雖然計算機技術(shù)已經(jīng)取得了長足的進步，但截至目前，還沒有一臺計算機能夠產(chǎn)生“自我”的意識。的確，在人類和大量現(xiàn)有數(shù)據(jù)的幫助下，計算機可以表現(xiàn)得十分強大，但是離開了這兩者，它甚至都不能分辨兩只小動物。

深度學(xué)習(xí)算法自動提取分類所需的低層次或者高層次特征。高層次特征是指該特征可以分級(層次)地依賴其他特征。例如，對于機器視覺，深度學(xué)習(xí)算法從原始圖像去學(xué)習(xí)得到它的一個低層次表達，如邊緣檢測器、小波濾波器等，然后在這些低層次表達的基礎(chǔ)上再建立表達，如這些低層次表達的線性或者非線性組合，然后重復(fù)這個過程，最后得到一個高層次的表達。

深度學(xué)習(xí)能夠得到更好地表示數(shù)據(jù)的特征，同時由于模型的層次、參數(shù)很多，容量足夠，因此，模型有能力表示大規(guī)模數(shù)據(jù)。所以對于圖像、語音這種特征不明顯(需要手工設(shè)計且很多沒有直觀的物理含義)的問題，能夠在大規(guī)模訓(xùn)練數(shù)據(jù)上取得更好的效果。此外，從模式識別特征和分類器的角度來看，深度學(xué)習(xí)框架將特征和分類器結(jié)合到一個框架中，用數(shù)據(jù)去學(xué)習(xí)特征，在使用中減少了手工設(shè)計特征的巨大工作量，因此，不僅效果更好，而且使用起來也有很多方便之處。

當然，深度學(xué)習(xí)本身并不是完美的，也不是解決任何機器學(xué)習(xí)問題的利器，不應(yīng)該被放大到一個無所不能的程度。

小結(jié)

本文主要介紹了機器學(xué)習(xí)、數(shù)據(jù)挖掘以及當前最熱門的深度學(xué)習(xí)。深度學(xué)習(xí)可以說掀起了人工智能的又一次熱潮，但是大家要清楚地認識到，這離真正的AI(人工智能)還差得很遠。但總的來說，我們離電影中描述的未來世界更近了一步，不是嗎?