無基礎(chǔ)人員轉(zhuǎn)行做機器學(xué)習(xí)可以嗎?機器學(xué)習(xí)需要一定數(shù)學(xué)基礎(chǔ)，沒有相關(guān)的了解需要重新學(xué)習(xí)。轉(zhuǎn)行機器學(xué)習(xí)不適用所有人，可不可以轉(zhuǎn)行需要具體結(jié)合自身的情況。入門機器學(xué)習(xí)有一定的門檻要慎重決定。

任何機器學(xué)習(xí)系統(tǒng)的關(guān)鍵部分就是數(shù)據(jù)?？紤]到額外的算法、巧妙的編程和大量的更精確的數(shù)據(jù)的選擇。

什么是機器學(xué)習(xí)?機器學(xué)習(xí)是人工智能的一個子集，即用機器去學(xué)習(xí)以前的經(jīng)驗。與傳統(tǒng)的編程不同，開發(fā)人員需要預(yù)測每一個潛在的條件進行編程，一個機器學(xué)習(xí)的解決方案可以有效地基于數(shù)據(jù)來適應(yīng)輸出的結(jié)果。

一個機器學(xué)習(xí)的算法并沒有真正地編寫代碼，但建立了一個關(guān)于真實世界的計算機模型，然后通過數(shù)據(jù)訓(xùn)練模型。

機器學(xué)習(xí)原理：垃圾郵件過濾是一個很好的例子，它利用機器學(xué)習(xí)技術(shù)來學(xué)習(xí)如何從數(shù)百萬封郵件中識別垃圾郵件，其中就用到了統(tǒng)計學(xué)技術(shù)。

例：如果每100個電子郵件中的85個，其中包括“便宜”和“偉哥”這兩個詞的郵件被認為是垃圾郵件，我們可以說有85%的概率，確定它是垃圾郵件。并通過其它幾個指標(例如，從來沒給你發(fā)送過郵件的人)結(jié)合起來，利用數(shù)十億個電子郵件進行算法測試，隨著訓(xùn)練次數(shù)不斷增加來提升準確率。

深度學(xué)習(xí)并不等于人工智能，它只是一種算法，和普通的機器學(xué)習(xí)算法一樣，是解決問題的一種方法。真要區(qū)分起來，人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)，三者大概是下圖這種關(guān)系。人工智能是一個很大的概念，機器學(xué)習(xí)是其中的一個子集，而深度學(xué)習(xí)又是機器學(xué)習(xí)的一個子集。

深度學(xué)習(xí)不是什么新技術(shù)，深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，早在上世紀 40 年代，通用計算機問世之前，科學(xué)家就提出了人工神經(jīng)網(wǎng)絡(luò)的概念。而那個時候的計算機剛剛開始發(fā)展，速度非常慢，最簡單的網(wǎng)絡(luò)也得數(shù)天才能訓(xùn)練完畢，效率極其低下，因此在接下來的十幾年都沒有被大量使用。近些年，隨著算力的提升，GPU、TPU 的應(yīng)用，神經(jīng)網(wǎng)絡(luò)得到了重大發(fā)展。

同機器學(xué)習(xí)方法一樣，深度學(xué)習(xí)方法也有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之分。例如，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，簡稱 CNN)就是一種深度的監(jiān)督學(xué)習(xí)下的機器學(xué)習(xí)模型，而深度置信網(wǎng)絡(luò)(Deep Belief Nets，簡稱 DBN)就是一種無監(jiān)督學(xué)習(xí)下的機器學(xué)習(xí)模型。深度學(xué)習(xí)的”深度“是指從”輸入層“到”輸出層“所經(jīng)歷層次的數(shù)目，即”隱藏層“的層數(shù)，層數(shù)越多，深度也越深。

所以越是復(fù)雜的選擇問題，越需要深度的層次多。除了層數(shù)多外，每層”神經(jīng)元“-小圓圈的數(shù)目也要多。例如，AlphaGo 的策略網(wǎng)絡(luò)是 13 層，每一層的神經(jīng)元數(shù)量為 192 個。深度學(xué)習(xí)的實質(zhì)，是通過構(gòu)建具有很多隱層的機器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，從而最終提升分類或預(yù)測的準確性。