什么是機(jī)器學(xué)習(xí)呢?如果是對(duì)此一竅不通的長(zhǎng)輩來(lái)問(wèn)你這個(gè)問(wèn)題，你該如何回答?本文將用最簡(jiǎn)單的詞匯來(lái)嘗試解釋這一話題，包括每個(gè)人都應(yīng)該知道的最主要也是最重要的部分。

機(jī)器學(xué)習(xí)是一個(gè)旨在讓計(jì)算機(jī)在沒有被明確編程的前提下掌握學(xué)習(xí)能力的研究領(lǐng)域。這是一個(gè)正在迅速成長(zhǎng)的領(lǐng)域，可以讓計(jì)算機(jī)進(jìn)一步模仿人類。

[[271258]]

機(jī)器學(xué)習(xí)不同于傳統(tǒng)計(jì)算機(jī)科學(xué)。在傳統(tǒng)中，計(jì)算機(jī)需要程序員準(zhǔn)確地告訴它去做什么以及要怎么做，可以說(shuō)是非常笨拙了。然而有了機(jī)器學(xué)習(xí)，我們只需要在計(jì)算機(jī)中輸入大量數(shù)據(jù)，就可以進(jìn)行分析，并輸出結(jié)果了。

比如說(shuō)，你知道怎么在Facebook上發(fā)布照片吧。當(dāng)你發(fā)布照片時(shí)，F(xiàn)acebook會(huì)提醒你標(biāo)記一些可能在照片中出現(xiàn)了的人。如果你不了解Facebook，那么再舉一個(gè)更常見的例子，你在瀏覽Netflix時(shí)，網(wǎng)頁(yè)會(huì)推薦一些可能喜歡的劇集或電影。其實(shí)，這就有點(diǎn)機(jī)器學(xué)習(xí)的意味了。

再比如說(shuō)，機(jī)器學(xué)習(xí)在自動(dòng)駕駛汽車上發(fā)揮著重要作用。汽車會(huì)收集大量的數(shù)據(jù)來(lái)學(xué)習(xí)怎樣開得更好更安全。顯而易見的是，機(jī)器學(xué)習(xí)將在未來(lái)的生活中扮演重要的角色。

機(jī)器學(xué)習(xí)不是什么

首先，機(jī)器學(xué)習(xí)并不是像你在電影中看到的那樣，機(jī)器人想要摧毀人類。當(dāng)人們聽到人工智能時(shí)，往往首先會(huì)想到“終結(jié)者”。其實(shí)，機(jī)器學(xué)習(xí)并不是人工智能，它只是人工智能的一個(gè)子領(lǐng)域。機(jī)器學(xué)習(xí)已經(jīng)經(jīng)過(guò)了相當(dāng)長(zhǎng)一段時(shí)間的發(fā)展。其起源可以追溯到上世紀(jì)50年代晚期。當(dāng)時(shí)，IBM的亞瑟·塞繆爾(Arthur L. Samuel)設(shè)計(jì)了第一款會(huì)下西洋棋的機(jī)器學(xué)習(xí)應(yīng)用。

[[271259]]

解釋邪惡人工智能時(shí)“必備”的終結(jié)者圖片

深度學(xué)習(xí)可能是你經(jīng)常聽到的另一個(gè)時(shí)髦詞匯。深度學(xué)習(xí)的發(fā)展歷史和機(jī)器學(xué)習(xí)一樣長(zhǎng)，但是直到上世紀(jì)80年代深度學(xué)習(xí)才得到廣泛重視。最終，世界科技巨頭如Facebook、谷歌和微軟紛紛大力投資深度學(xué)習(xí)的發(fā)展，繼而引發(fā)了人工智能革命。谷歌翻譯、蘋果智能助手Siri等等，都是深度學(xué)習(xí)的產(chǎn)物。

請(qǐng)放心，在可以預(yù)見的未來(lái)，即使機(jī)器學(xué)習(xí)或人工智能的發(fā)展失去控制，也不會(huì)對(duì)人類社會(huì)造成威脅。

怎樣讓機(jī)器學(xué)習(xí)

[[271260]]

看到這里，你可能在想，那么到底是怎樣讓機(jī)器學(xué)習(xí)的呢?計(jì)算機(jī)是怎樣收集并理解信息的呢?其實(shí)，在這一過(guò)程中，我們會(huì)利用很多數(shù)學(xué)算法來(lái)幫助得到想要的結(jié)果。

1. 機(jī)器學(xué)習(xí)中的數(shù)學(xué)

線性代數(shù)是數(shù)學(xué)的一個(gè)研究領(lǐng)域，被公認(rèn)為是深入了解機(jī)器學(xué)習(xí)的前提。線性代數(shù)的內(nèi)容非常廣泛，包含很多晦澀難懂的理論和發(fā)現(xiàn)。但是其基本方法和符號(hào)對(duì)機(jī)器學(xué)習(xí)研究者來(lái)說(shuō)是非常有用的。所以，需要有堅(jiān)實(shí)的線性代數(shù)知識(shí)作為基礎(chǔ)。

數(shù)學(xué)對(duì)學(xué)習(xí)機(jī)器學(xué)習(xí)來(lái)說(shuō)是極其重要的，因?yàn)槲覀冃枰谶x擇算法時(shí)考慮其準(zhǔn)確性、訓(xùn)練時(shí)間以及其他性能。數(shù)學(xué)可以幫助我們找到一種讓機(jī)器學(xué)習(xí)的最佳方法。除了線性代數(shù)，機(jī)器學(xué)習(xí)科學(xué)家/工程師也需要掌握微積分、算法、概率論和統(tǒng)計(jì)學(xué)等數(shù)學(xué)概念。在機(jī)器學(xué)習(xí)中，Python是最常用的一種編程語(yǔ)言。

2. 聯(lián)想到大腦

大腦會(huì)將世界上各種各樣的信息收集起來(lái)形成我們對(duì)現(xiàn)實(shí)的看法。計(jì)算機(jī)也需要做到這一點(diǎn)。神經(jīng)網(wǎng)絡(luò)就承擔(dān)了這一職責(zé)。

神經(jīng)網(wǎng)絡(luò)是讓計(jì)算機(jī)模擬人類大腦最常用的方法。人類大腦由將近10億個(gè)神經(jīng)細(xì)胞，也就是神經(jīng)元構(gòu)成。人類大腦非常擅長(zhǎng)解決問(wèn)題。在解決問(wèn)題時(shí)，每個(gè)神經(jīng)元都會(huì)負(fù)責(zé)解決其中的一小部分。這些神經(jīng)元可以收集和傳遞信號(hào)，就像一個(gè)電網(wǎng)。

[[271261]]

3. 人類大腦神經(jīng)元

在知道了計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)是受到人類大腦結(jié)構(gòu)啟發(fā)設(shè)計(jì)的之后，你可能想知道這些神經(jīng)元是怎么連接在一起的。每個(gè)神經(jīng)元都會(huì)接收輸入，然后產(chǎn)生輸出。輸入節(jié)點(diǎn)(輸入層)為神經(jīng)網(wǎng)絡(luò)提供來(lái)自外界的信息，就好比是你的眼睛看到并收集信息后傳遞給大腦。

輸出節(jié)點(diǎn)(輸出層)則負(fù)責(zé)將信息反饋給外界。假設(shè)下圖中的網(wǎng)絡(luò)將被訓(xùn)練用來(lái)識(shí)別數(shù)字。一個(gè)數(shù)字從輸入層輸入，經(jīng)過(guò)隱藏層，然后在輸出層以被識(shí)別出的數(shù)字輸出。隱藏層的神經(jīng)元會(huì)互相交流各自獲取的信息。它們利用這些信息來(lái)識(shí)別輸入的數(shù)字是什么。每一層都會(huì)影響到下一層。

當(dāng)訓(xùn)練計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)做其他事情，比如說(shuō)音頻識(shí)別時(shí)，則更為神奇。計(jì)算機(jī)可以學(xué)習(xí)對(duì)演講進(jìn)行文法分析、分段音頻以及篩選出不同的聲音。這些聲音被組合起來(lái)，構(gòu)成特定的音節(jié)、單詞、詞組等。在構(gòu)建網(wǎng)絡(luò)時(shí)，你需要知道：

• 卷積網(wǎng)絡(luò)往往用來(lái)做圖像識(shí)別
• 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)往往用來(lái)做演講識(shí)別

機(jī)器學(xué)習(xí)還有多種方法，比如監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，是經(jīng)常使用的三種方法。本文不再詳述。簡(jiǎn)單來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)使得計(jì)算機(jī)能夠接收信息，將信息分成易于理解的部分，最后輸出它能得出的最接近的結(jié)果。

挑戰(zhàn)與局限性

雖然機(jī)器學(xué)習(xí)非常強(qiáng)大，但仍有很多局限性，克服這些局限性將幫助機(jī)器學(xué)習(xí)技術(shù)更上一層樓。

首先，機(jī)器學(xué)習(xí)算法需要大量的存儲(chǔ)數(shù)據(jù)用于訓(xùn)練，而給這些數(shù)據(jù)做標(biāo)記是一個(gè)非常繁瑣的過(guò)程。輸入機(jī)器的數(shù)據(jù)必須是被標(biāo)記過(guò)的，否則機(jī)器將無(wú)法變得智能。算法僅能開發(fā)機(jī)器的決策能力，并與其按要求操縱的環(huán)境保持行為一致。

另一個(gè)問(wèn)題就是機(jī)器無(wú)法解釋它自己。這就使得你很難知道它為什么做出某個(gè)決定。

最后一個(gè)也是最重要的一個(gè)局限性就是很難避免偏差。透明性至關(guān)重要，公正的決策可以幫助建立信任。比如說(shuō)，面部識(shí)別在社交媒體和執(zhí)法中發(fā)揮著重要的作用。但是面部識(shí)別提供的數(shù)據(jù)集中的偏差會(huì)使得結(jié)果不準(zhǔn)確。如果說(shuō)算法有偏差，并且數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)是不平衡的，那么最終輸出的結(jié)果將會(huì)放大數(shù)據(jù)集中的區(qū)別和偏差。

未來(lái)是機(jī)器的

[[271263]]

機(jī)器學(xué)習(xí)是人工智能發(fā)展的基礎(chǔ)，它的未來(lái)是不可阻擋的。機(jī)器學(xué)習(xí)已經(jīng)成為了現(xiàn)代生活的一部分。

如果你使用Spotify聽音樂，你會(huì)發(fā)現(xiàn)它會(huì)根據(jù)你聽的歌曲給你做每日推薦。亞馬遜也會(huì)根據(jù)客戶的購(gòu)物習(xí)慣，學(xué)習(xí)如何給客戶推薦他們可能感興趣的商品。類似于亞馬遜的Alexa，蘋果的Siri以及微軟的Cortona這樣的虛擬助理，都是基于機(jī)器學(xué)習(xí)來(lái)理解人們說(shuō)的話并和他們交互的。

機(jī)器學(xué)習(xí)在商業(yè)中也得到了廣泛應(yīng)用。它可以自動(dòng)化一些通常需要人類操作的工作。很多公司會(huì)在客戶服務(wù)部門使用聊天機(jī)器人和服務(wù)機(jī)器人。這些機(jī)器人會(huì)學(xué)習(xí)如何回復(fù)客戶，為客戶提供智能化的、有用的幫助。

還有機(jī)器學(xué)習(xí)在自動(dòng)駕駛汽車和卡車上的應(yīng)用。車輛需要學(xué)會(huì)識(shí)別路上的障礙物，如停車標(biāo)志、暴風(fēng)雪、路中間的球、其他車輛等，并做出相應(yīng)的反應(yīng)。收集的信息越多，它們就表現(xiàn)得越像人類。比如說(shuō)，它們可以識(shí)別出一個(gè)被雪覆蓋的停車標(biāo)志。

[[271264]]

機(jī)器學(xué)習(xí)可以讓我們的生活變得更加便利。人們不斷地提出各種利用機(jī)器學(xué)習(xí)的方法，一場(chǎng)工業(yè)革命正在悄然發(fā)生。至于當(dāng)機(jī)器學(xué)習(xí)逐漸引導(dǎo)我們走向真正的人工智能技術(shù)時(shí)，人類的生活會(huì)變成什么樣，只能靠想象了。