什么是机器学习?又是怎么工作的？最终走向哪里？

机器学习

机器学习概念

有人说机器学习时，你一定觉得很酷，有一种科技感。但你知道什么事机器学习吗？又是怎么工作的？

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

如果你了解概率论、统计学，并且对线性代数有一定的掌握，那么你肯定能够掌握机器学习的概念。现在，我们再来看看机器学习的内部工作。

机器学习的工作原理

机器学习的基本概念建立在这样一个事实之上，即我们所认为的智能在很大程度上是基于概率的，而非逻辑和推理。

这听起来很奇怪，也很违反直觉，想想你生活中的各种情况，并试着把它们联系起来。

当你想从A点到B点，你可能会想到它们之间最快的路线。当你玩棋盘游戏时，你想着哪一步棋能帮你赢。考虑任何这样的情况，你会发现概率在人类的决策过程中扮演着非常重要的角色。



机器学习

我们再说说计算机，我们知道它们很擅长计算。早在20世纪50年代，科学家就认识到了这一点。他们明白，有了足够的数据，数字计算机就能很好地估计概率。不幸的是，对于人工智能的先驱研究人员来说，这样一个革命性的想法出现的时代并不是一个可以充分探索的时代。计算机还没有强大到足以运行这些新奇的想法并接受测试。

即便如此，他们的基本原则是正确的，这些原则构成了现代人工智能的基础。

深度神经网络

谷歌、脸书和亚马逊等公司将机器学习应用于从客户那里获取的所有数据。这样做是为了优化用户体验和首选项。

所有公司都使用的一种特殊的机器学习方法是深度神经网络。深度神经网络的概念是基于沃伦·麦卡洛（Warren McCullough）、沃尔特·皮兹（Walter Pitts）和弗兰克·罗森布拉特(Frank Rosenblatt)在20世纪50年代提出的与神经网络相关的概念。



深度神经网络

虽然今天的神经网络比以前的原始网络和形成网络复杂得多，但其主要思想仍然是一样的。估计给定概率的最佳方法是将问题分解成离散的、小块的信息，这些信息是由麦卡洛和皮兹创造的神经元。麦卡洛和皮茨的预言是，如果一组这样的神经元以类似于人脑的方式连接起来，那么就可以建立不同的模型来学习不同的东西。

为了理解一个神经网络，让我们考虑一张有人脸的图像。现在，如果我们有一个初级的深度神经网络，这个神经网络会有几千个节点。这些数千个节点中的每一个都将分层堆叠。

神经网络第一层的每个节点首先要找的是一条直线或一条曲线。一旦初步分析完成，神经网络的第二层将寻找更高级的形状，如圆形。在第三层，搜索多个参数，如白色圆圈中的黑色圆圈，这是在深度神经网络中人眼的识别方式。

当算法最终到达最后一层神经元时，每个神经元都能够识别高级形状。该算法可以根据最后一个神经元的检测结果来判断人脸的真伪。



siri没能识别我说怪罗科普

机器学习的应用

自从计算机被发明以来，语言学家和计算机学家一直试图使它们识别语音和文本。

计算机以连贯、逻辑的方式实现书面语言或语音的这种方法称为自然语言处理(NLP)。然而，在过去的几十年里，机器学习在很大程度上已经超越了规则系统，这要归功于从支持向量机到隐马尔可夫模型，再到最近的深度学习。

苹果的Siri、亚马逊的Alexa和谷歌的双功能都严重依赖深度学习来识别语音或文本，代表着这一重要领域的前沿。

下一个广泛使用机器学习的领域是图像处理。当罗森布拉特在1958年首次实现他的神经网络时，他用狗和猫的图像对其进行测试。

从那时起，人工智能研究人员就一直痴迷于这个话题。由于大部分时间都花在了设计算法上，这些算法可以利用早期计算机有限的处理能力检测图像中预先指定的形状，比如边缘和多面体。



人工智能

​然而，多亏了现代硬件，计算机视觉领域现在被深度学习所主导。当特斯拉在自动驾驶模式下安全驾驶时，或者当谷歌新的增强现实显微镜实时检测到癌症时，这都是因为一种深度学习算法。

机器学习的最终领域

机器学习最重要的最后一个领域是机器人。是什么让我们自己的智慧如此强大，不仅仅是我们能够理解世界，而是我们可以与之互动。

机器人也是如此。能够识别视觉和声音的电脑是一回事;那些能够学会识别一个物体并决定如何操作它的人完全是另外一回事。

可以想象，语音识别是一个困难的挑战，而触摸和运动控制是更难掌握的技能。尽管计算机具有强大的处理能力，但在像捡起一件衬衫这样简单的事情上，它仍然表现得非常糟糕。



机器人

对于机器人来说，捡起一件衬衫并不是容易的事，因为它涉及到几个同时进行的任务。首先，你需要将衬衫识别为衬衫。然后你需要估计它有多重，它的质量是如何分布的，它的表面有多少摩擦力。在这些猜测的基础上，你将需要估计在哪里抓住衬衫，以及在你抓住衬衫的每一点施加多大的力，这项任务变得更具挑战，因为衬衫的形状和质量分布会在你举起它的时候发生变化。

人类毫不犹豫地轻而易举地做到了这一点，但对于计算机来说，这些计算中的任何一种不确定性综合了所有这些因素，使之成为一项极其困难的任务。

虽然机器学习的应用差异很大，但是我们应该了解它已经对工业和我们的生活产生了深刻的影响。

最后，日本人总是觉得机器人是美好的，而美国人觉得机器人会对人类造成威胁！你觉得呢，欢迎在评论里告诉我们！

支持楼主，用户楼主，楼主英明呀！！！

very good

向楼主学习