機器學習的概念分析

機器學習作為一個概念，與提高計算機使用算法和神經(jīng)網(wǎng)絡(luò)模型學習的能力有關(guān)，并能更快更有效地執(zhí)行各種任務(wù)。機器學習或ML通過使用數(shù)據(jù)或數(shù)據(jù)集來幫助建立模型來做出決策。它可用于精簡組織的決策和執(zhí)行績效。這個詞是1959年由美國人阿瑟·塞繆爾(ArthurSamuel)首創(chuàng)的，他精通人工智能和電腦游戲。

從概念上講，機器學習模擬了人類的腦細胞交互模式。在大腦活動中，當神經(jīng)元相互交流時，這些神經(jīng)元反過來使人類能夠輕松地執(zhí)行各種功能和任務(wù)，而不需要任何其他外部形式的支持。就像人類大腦中的神經(jīng)元根據(jù)情況來解剖每個任務(wù)一樣，在ML中，數(shù)據(jù)按照各種算法來預(yù)測、分類和表示，解決一個復(fù)雜問題并提出解決方案。

機器學習中的神經(jīng)網(wǎng)絡(luò)模型也是基于DonaldHebb博士在TheOrganizationofBehavior中的理論。在制定機器學習概念方面的一些顯著貢獻是基于1950年代IBM的ArthurSamuel的進化工作的逐步實施，他開發(fā)了一個計算機程序。該計算機程序涉及alpha-beta剪枝，用于測量跳棋游戲中每一方獲勝的機會。緊隨其后的是由FrankRosenblatt于1957年開發(fā)的定制機器感知器，專為圖像識別而構(gòu)建，導(dǎo)致了MercelloPelillo于1967年開發(fā)的用于基本模式識別的最近鄰算法。

機器學習算法和模型

機器學習是基于算法和模型的校準功能。簡單地說，算法可以稱為利用結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)產(chǎn)生輸出的簡單過程。同時，機器學習模型表示程序和程序(算法)的結(jié)合，即使用程序來達到預(yù)期的結(jié)果，完成預(yù)期的任務(wù)。

算法是一個公式，通過它可以做出預(yù)測;機器學習模型是實現(xiàn)算法后產(chǎn)生的輸出的更廣泛的方面。因此，在技術(shù)層面上，可以引用機器學習算法導(dǎo)致ML模型，而不是反之。為了理解ML算法的功能，讓我們先看看機器學習中的模型。

機器學習模型分為三大類：

• 監(jiān)督學習：在監(jiān)督學習中，在不確定的情況下，通過計算證據(jù)，從已知的數(shù)據(jù)集(輸入)和已知的數(shù)據(jù)響應(yīng)(輸出)做出預(yù)測，以開發(fā)新的數(shù)據(jù)或數(shù)據(jù)集作為響應(yīng)。監(jiān)督學習進一步使用分類和回歸等技術(shù)來提出其他機器學習模型。
• 無監(jiān)督學習：無監(jiān)督學習包括從輸入數(shù)據(jù)中得出推論，而不從具有內(nèi)在數(shù)據(jù)集或結(jié)構(gòu)的隱藏模式中標記出響應(yīng)。
• 強化學習：在機器學習的強化學習模型中，基于試錯法，在復(fù)雜環(huán)境下做出一系列決策。根據(jù)所做決定的結(jié)果，獎勵和懲罰有助于最終引出回應(yīng)。

現(xiàn)在為了詳細說明機器算法做了什么，讓我們以一個基于聚類的機器學習算法K-means為例?？紤]了幾個聚類，以k為變量。識別每個簇的中心或質(zhì)心，并在其基礎(chǔ)上定義一個數(shù)據(jù)點。在幾次迭代中，數(shù)據(jù)點和集群被重新識別，一旦定義了所有中心，數(shù)據(jù)點將與每個集群對齊，并與集群中心相接近。該算法在訓(xùn)練數(shù)據(jù)上表現(xiàn)出色，有助于分類各種人工智能程序的音頻檢測和圖像分割等復(fù)雜任務(wù)。

使機器學習成為一個進步的領(lǐng)域，根據(jù)業(yè)務(wù)需求探索和發(fā)展的另一個方面是它對數(shù)據(jù)處理的需求。各種形式的訓(xùn)練數(shù)據(jù)是機器學習的基礎(chǔ)。從檢測用于安全目的的對象到預(yù)測業(yè)務(wù)趨勢，高效和高性能的算法本質(zhì)上是以數(shù)據(jù)為中心的;數(shù)據(jù)集越精確，算法產(chǎn)生的輸出就越準確。

機器學習中數(shù)據(jù)驅(qū)動的算法

在物理世界中，人類互動的大部分方面都是基于與各種無形數(shù)據(jù)的動態(tài)關(guān)系，人類的大腦每天都會執(zhí)行許多簡單的數(shù)據(jù)驅(qū)動計算。類似地，計算是基于機器學習中的數(shù)據(jù)或標記訓(xùn)練數(shù)據(jù)，這有助于基于人工智能(AI)的程序工作來增加價值。與編寫程序代碼自動化處理過程或?qū)Υ罅繑?shù)據(jù)進行深入調(diào)查相比，算法的使用要可靠得多，速度也快得多。

機器學習算法是一種數(shù)學方法，在提供的數(shù)據(jù)的幫助下產(chǎn)生一組結(jié)果。因此，在機器學習的過程中，數(shù)據(jù)的重要性是至關(guān)重要的。由ML驅(qū)動的人工智能程序的效率取決于輸入算法代碼的訓(xùn)練數(shù)據(jù)的質(zhì)量。不準確的數(shù)據(jù)集也會降低性能。

對于一個ML算法產(chǎn)生高價值的輸出，可用性的高質(zhì)量的訓(xùn)練數(shù)據(jù)集是必須的。訓(xùn)練數(shù)據(jù)集是根據(jù)人工智能應(yīng)用程序的目標開發(fā)的注釋或說明數(shù)據(jù)。

 

主要是兩種類型的數(shù)據(jù)推動了機器學習算法的工作。

1.手工數(shù)據(jù)標簽

2.自動數(shù)據(jù)標簽

3.人工智能輔助的數(shù)據(jù)標注

在自動、手動和人工輔助數(shù)據(jù)標注方面有一些關(guān)鍵的區(qū)別。在手動數(shù)據(jù)標簽，人群強制標簽的原始數(shù)據(jù)按照共享的指導(dǎo)方針或技術(shù)定義附加標簽。而在自動數(shù)據(jù)標注中，訓(xùn)練數(shù)據(jù)由程序標注，并在加載執(zhí)行前檢查其準確性。而且，人工智能輔助的數(shù)據(jù)標記需要自動程序和人工努力來產(chǎn)生高質(zhì)量的訓(xùn)練數(shù)據(jù)。

基于數(shù)據(jù)的算法在現(xiàn)實世界中的應(yīng)用

算法和技術(shù)適用于各行業(yè)和經(jīng)濟部門。在數(shù)字技術(shù)和數(shù)據(jù)驅(qū)動的生態(tài)系統(tǒng)時代，復(fù)雜的需求面臨著高效數(shù)據(jù)創(chuàng)建和開發(fā)的挑戰(zhàn)，在智慧城市、網(wǎng)絡(luò)安全、智能醫(yī)療、社交媒體和商業(yè)等領(lǐng)域，ML也在不斷實現(xiàn)數(shù)據(jù)結(jié)構(gòu)化和可用數(shù)據(jù)處理，以更好地做出決策。提高績效，增強業(yè)務(wù)可持續(xù)性。

在衛(wèi)生部門，人工智能程序正在執(zhí)行由高度可用的訓(xùn)練數(shù)據(jù)驅(qū)動的任務(wù)。這些數(shù)據(jù)使諸如二十億等健康應(yīng)用程序通過檢測對象、動作、屬性、視聽輸入、語音輸入、神經(jīng)網(wǎng)絡(luò)、語音輸出、身體控制等來幫助客戶跟蹤他們的健康訓(xùn)練計劃的進度。，正在幫助支持AI的應(yīng)用程序解碼復(fù)雜的任務(wù)，例如：

• 了解現(xiàn)場
• 理解口語
• 理解對象和動作
• 通過聊天機器人生成口語
• 控制助理的身體
• 理解人類的姿勢
• 將視覺概念與文字等聯(lián)系起來
• 行為

在金融等領(lǐng)域，機器學習算法正在幫助企業(yè)發(fā)現(xiàn)未來的投資機會;同時，對于政府部門，ML算法通過簡單地處理來自多個來源的復(fù)雜數(shù)據(jù)，幫助處理欺詐、身份盜竊和提高公共工程的效率。此外，隨著數(shù)據(jù)量越來越大，機器學習(ML)正通過使用復(fù)雜的數(shù)據(jù)集來增加價值，幫助垂直企業(yè)應(yīng)對未來的諸多挑戰(zhàn)。

尾注

理想情況下，機器學習被用于處理涉及大量數(shù)據(jù)的復(fù)雜計算任務(wù)，而沒有靜態(tài)公式來得出結(jié)果。多年來，隨著機器學習領(lǐng)域的不斷研究和發(fā)展，醫(yī)療、能源生產(chǎn)、汽車、航空航天、制造業(yè)和金融等商業(yè)部門都從機器學習模式中獲益。機器學習模型和算法正在幫助解決特定行業(yè)的問題，并通過對象檢測、信用評分、交易預(yù)測、DNA測序和預(yù)測性維護提供未來的全行業(yè)解決方案。 

在未來幾年，隨著數(shù)據(jù)的持續(xù)增長和對可變數(shù)據(jù)的需求進一步攀升，我們可以希望看到許多其他任務(wù)使用由機器學習算法支持的人工智能程序來執(zhí)行，這些程序的模型有助于閱讀和處理數(shù)據(jù)，并為全球企業(yè)部門提供均衡的可持續(xù)性。