機器學(xué)習(xí)與連續(xù)流連載系列丨機器學(xué)習(xí)：人工智能的驅(qū)動力

更新時間：2024-07-04 點擊次數(shù)：1533

摘要

前期回顧：

機器學(xué)習(xí)與連續(xù)流連載系列丨使用康寧反應(yīng)器集成在線光譜，通過半監(jiān)督機器學(xué)習(xí)識別化學(xué)反應(yīng)式計量和動力學(xué)模型點擊進(jìn)入原文查看

本期亮點

本期將對機器學(xué)習(xí)做一次全面感性認(rèn)識:

什么是機器學(xué)習(xí)？
機器學(xué)習(xí)的工作流程是怎樣的？
機器學(xué)習(xí)有幾種類型？
機器學(xué)習(xí)也有局限性？

機器學(xué)習(xí)（Machine Learning, ML）作為人工智能（Artificial Intelligence, AI）的一個分支，正在逐漸改變我們與技術(shù)的互動方式。本文將探討機器學(xué)習(xí)的核心概念、工作流程、類型、優(yōu)勢與局限。

點擊關(guān)注公眾號，我們下期不見不散！

在回答機器學(xué)習(xí)前，先回到人類的學(xué)習(xí)，什么叫做學(xué)習(xí)或者學(xué)會了？簡而言之就是發(fā)現(xiàn)規(guī)律，能根據(jù)已有情況，尋找規(guī)律，解決新問題。

“過擬合”，打個比方就像某學(xué)生做大量題，他死記硬背，只會做已經(jīng)做過的相同的題，遇到相同知識基礎(chǔ)的新題（稍微變化一下）就不會解答，也就是“泛化能力”差。

比如某某學(xué)生在模擬考試中，考試成績好，到了正式考試時，成績不理想，很多家長認(rèn)為沒有考試運。當(dāng)然這個有很多原因，比如考試時緊張，身體出現(xiàn)不適等，但有個原因就是其“泛化能力”差，模擬考是他做過的題，沒有從中“泛化”出規(guī)律去解答新題。

機器學(xué)習(xí)類似人類學(xué)習(xí)，根據(jù)大量題型總結(jié)規(guī)律，根據(jù)規(guī)律去解決新問題。

人工智能先驅(qū)Arthur Samuel，在1950年代將“機器學(xué)習(xí)”定義為，“使計算機能夠在沒有明確編程的情況下進(jìn)行學(xué)習(xí)的研究領(lǐng)域”。

Nvidia認(rèn)為“機器學(xué)習(xí)最基本的是使用算法解析數(shù)據(jù)，從中學(xué)習(xí)，然后對世界上的事物做出決定或預(yù)測。”

機器學(xué)習(xí)與連續(xù)流連載系列丨機器學(xué)習(xí)：人工智能的驅(qū)動力

傳統(tǒng)編程

機器學(xué)習(xí)

傳統(tǒng)編程需要寫好嚴(yán)格的詳細(xì)的程序指令，根據(jù)輸入數(shù)據(jù)得到輸出結(jié)果。其難度在于程序的編寫，有時不能覆蓋某些新情況。比如做饅頭，寫好買1kg白面粉，和面加入X kg水，捏好形狀，放入蒸籠蒸X分鐘。如果遇到了玉米粉，它就不會做玉米饅頭了。

機器學(xué)習(xí)是通過算法和大量的做饅頭的書籍介紹等，總結(jié)出通用規(guī)律，這樣遇到玉米粉也能輸出相應(yīng)做玉米饅頭的步驟。所以機器學(xué)習(xí)難在解析數(shù)據(jù)結(jié)構(gòu)，發(fā)現(xiàn)規(guī)律。

機器學(xué)習(xí)與連續(xù)流連載系列丨機器學(xué)習(xí)：人工智能的驅(qū)動力

機器學(xué)習(xí)的工作流程包括以下幾個關(guān)鍵步驟：

數(shù)據(jù)收集：從不同來源收集數(shù)據(jù)，如音樂錄音、患者病史或照片。
數(shù)據(jù)準(zhǔn)備：清洗數(shù)據(jù)、去除錯誤，并進(jìn)行格式化，使其適合計算機處理。
選擇和訓(xùn)練模型：根據(jù)任務(wù)選擇合適的機器學(xué)習(xí)模型，并開始訓(xùn)練過程。
模型優(yōu)化：通過調(diào)整參數(shù)或設(shè)置來提高模型的準(zhǔn)確性。
模型評估：使用未包含在訓(xùn)練數(shù)據(jù)中的新數(shù)據(jù)來測試模型的泛化能力。
模型部署：將訓(xùn)練和評估好的模型用于對新數(shù)據(jù)進(jìn)行預(yù)測或識別模式。

機器學(xué)習(xí)與連續(xù)流連載系列丨機器學(xué)習(xí)：人工智能的驅(qū)動力

機器學(xué)習(xí)模型主要分為四種類型：

監(jiān)督學(xué)習(xí)：使用帶有明確描述或標(biāo)簽的訓(xùn)練數(shù)據(jù)，算法在“監(jiān)督者”的幫助下學(xué)習(xí)。監(jiān)督學(xué)習(xí)就像做題，有答案和目標(biāo)可以參照。

無監(jiān)督學(xué)習(xí)：使用未標(biāo)記的訓(xùn)練數(shù)據(jù)，目的是在沒有具體指導(dǎo)的情況下發(fā)現(xiàn)數(shù)據(jù)中的模式、結(jié)構(gòu)或關(guān)系。

半監(jiān)督學(xué)習(xí)：嚴(yán)格意義上來說不算獨立分類，顧名思義就是有一部分有明確描述的數(shù)據(jù)來訓(xùn)練。例如上篇文章提到的半監(jiān)督學(xué)習(xí)。就是先做一部分給答案的題，然后根據(jù)規(guī)律去做另一半沒有答案的題目。

強化學(xué)習(xí)：計算機程序通過與環(huán)境的交互來學(xué)習(xí)，通過試錯來確定在特定情境下的最佳行動。

機器學(xué)習(xí)與連續(xù)流連載系列丨機器學(xué)習(xí)：人工智能的驅(qū)動力

優(yōu)勢

數(shù)據(jù)處理能力：機器學(xué)習(xí)能夠處理大量數(shù)據(jù)，并自行發(fā)現(xiàn)模式和進(jìn)行預(yù)測。
靈活性：機器學(xué)習(xí)模型可以適應(yīng)新數(shù)據(jù)，并隨著時間的推移不斷提高準(zhǔn)確性。
自動化：機器學(xué)習(xí)模型消除了手動數(shù)據(jù)分析和解釋的需要，實現(xiàn)了決策自動化。

局限

過擬合和泛化問題：機器學(xué)習(xí)模型可能過于適應(yīng)訓(xùn)練數(shù)據(jù)，導(dǎo)致無法泛化到未見過的例子。
可解釋性：一些機器學(xué)習(xí)模型像“黑箱”一樣運作，即使是專家也無法解釋它們的決策或預(yù)測。
算法偏差：由于訓(xùn)練數(shù)據(jù)可能包含人類的偏見，這可能導(dǎo)致算法偏差，產(chǎn)生不公平的結(jié)果。