生成型人工智能初学者指南：第2部分 —— 理解机器学习

简介

这篇博客是“生成型人工智能初学者”系列的一部分，我们正在一步一步地学习生成型人工智能的基础知识。
为了易于理解，我将整个系列划分为几个小部分。每篇博客的学习时间最多为15-20分钟。完成这个系列后，你将对生成型人工智能的基本概念及其各个方面有清晰的认识。
第1部分 —— 人工智能简介
第2部分 —— 理解机器学习【当前博客】
第3部分 —— 深度学习基础
第4部分 —— 生成型人工智能简介
第5部分 —— 什么是大型语言模型（LLM）？
第6部分 —— 提示工程：与AI沟通的艺术
第7部分 —— 生成型人工智能的伦理考虑
第8部分 —— 生成型人工智能的挑战、局限性和未来趋势【即将发布】
这是该系列的第二篇博客，我们将在这里了解机器学习。
机器学习（ML）—— 从孩子的角度看

在我们之前的博客中，在理解人工智能时，我们谈到了让机器人识别一只狗。想象一下我们想让机器人识别多种动物。
为此，我们将向它展示各种狗、猫、兔子和其他动物的图片，并在每张图片上标明动物的名称。我们训练机器人根据大小、颜色、体型、声音等特征来识别动物。



一旦训练完成，机器人就能识别出我们训练过的这些动物。



并非所有的狗都长得一样。但是，一旦机器人看过许多狗的图片，它就能识别出任何一只狗，即使它看起来不完全像特定的图片。我们需要向机器人展示大量的狗的图片。它看到的图片越多，它的效率就越高。
这就是机器学习——通过给予大量示例图片（或任何其他信息）来教授机器人（或任何机器）。
总结来说，机器学习是：
• 人工智能的一个子集。
• 它使机器（或计算机）能够从数据中学习并做出决策。
机器学习的类型
机器学习可以广泛地分为三种主要类型：
1. 监督学习
2. 无监督学习
3. 强化学习。
每种类型都有不同的目的，并涉及不同的方法从数据中学习。让我们仔细看看这些类型。
监督学习

以我们让机器人识别动物的例子为例。
当我们通过展示动物的图片来训练我们的机器人时，我们为每张图片标上了动物的名称。所以，我们充当了它的老师。我们首先告诉它狗或猫长什么样，然后它才能识别它们。
在机器学习中，我们称之为监督学习。
下图总结了监督学习的重要点。



监督学习的现实生活例子
监督学习广泛用于各种现实生活应用中，算法在标记数据上训练后用于做出预测或分类。以下是一些例子：
电子邮件垃圾过滤
根据内容、发件人信息和其他相关属性的特征对电子邮件进行垃圾邮件或非垃圾邮件分类。
图像分类
识别图像中的对象或模式，例如分类动物、识别手写数字或在自动驾驶汽车中检测对象。
面部识别
根据面部特征识别和验证个人，用于安全系统或解锁设备。
金融欺诈检测
通过分析金融数据中的模式和异常来识别潜在的欺诈交易。
语音识别
将口语转换为文本，如在Siri或Google助手等语音助手中所见。
无监督学习

让我们从孩子的学校例子来理解这一点。当孩子们第一天去上课时，他们会遇到很多同学。一开始，所有同学对他们来说都一样。但随着时间的推移，他们自己将同学分为不同的组：
• 他们发现有些同学非常好，想和他们交朋友。
• 他们觉得有些人粗鲁或讨厌，想避开他们。
• 他们发现有些人擅长运动，想加入他们的队伍。
• 等等......
当孩子们对同学进行分类时，没有人告诉他们如何做。他们在没有任何人帮助的情况下做到了——这就是无监督学习的工作方式。
让我们来看一个适当的机器学习例子。想象我们向机器人展示了许多没有标签的狗、猫、兔子等图片，并告诉它：“我不会告诉你哪个是哪个。去探索，自己弄清楚。”
机器人开始观察这些动物，注意它们的毛皮、大小和它们的移动方式。它还不知道它们的名字，但它正尝试自己找出模式和区别。
探索后，机器人可能会注意到：
• 一些动物有长耳朵（兔子）
• 一些动物有柔软的毛皮和尾巴（猫）
• 一些动物有摇摆的尾巴（狗）
它在没有你直接告诉的情况下弄清了这些分类。



最终，机器人可能不知道这些动物的名称，但它可以说：“这些动物在某些方面相似，在其他方面不同。”——这就是无监督学习。
下图总结了无监督学习的重要点。



无监督学习的现实生活例子
无监督学习用于各种现实生活场景，其中数据没有标签，算法需要在数据中发现模式、结构或关系。以下是一些例子：
客户细分聚类
企业使用无监督学习，特别是像k均值这样的聚类算法，根据客户的购买行为对客户进行细分。这有助于目标营销和个性化服务。
网络安全中的异常检测
无监督学习被用于识别网络流量中不寻常的模式或行为。任何偏离正常行为的情况都可能被标记为潜在的安全威胁。
推荐系统
无监督学习用于推荐系统。通过识别用户行为模式，这些系统可以建议用户可能喜欢的产品、电影或内容。
强化学习

想象一下教狗学会一个新技巧——当它正确地做出技巧时，你奖励它一块零食，当它做不到时则不给。随着时间的推移，狗学会了为了得到更多零食而表演技巧。
同样，强化学习是：
• 训练计算机做出决策
• 通过奖励好的选择和惩罚坏的选择
• 就像你用零食训练狗学习技巧一样



在强化学习中，有一个代理（例如机器人或计算机程序）与环境互动。以教计算机程序下棋为例，例如国际象棋。
• 在这种情况下，计算机程序是代理，国际象棋游戏是环境。
• 计算机程序可以在游戏中进行不同的移动，例如移动一枚棋子。
• 每一步后，它会根据游戏结果收到反馈（奖励或惩罚）。
• 如果程序赢得游戏，它会获得正面奖励。
• 如果它输掉游戏，它会得到负面奖励，或者“惩罚”。
• 通过反复尝试，程序学会了哪些移动能带来最佳奖励，从而帮助它找出赢得比赛的最佳移动序列。
强化学习之所以强大，是因为它允许机器从经验中学习，在复杂、不确定的环境中做出决策——就像我们在现实世界中通过尝试和错误学习一样。
下图总结了强化学习的重要点。



强化学习的现实生活例子
游戏玩法是强化学习的主要用途之一。
DeepMind开发的AlphaGo是一个使用强化学习在围棋上达到超人水平的计算机程序。它击败了世界冠军，展示了强化学习在掌握复杂游戏中的强大力量。
自动驾驶汽车是另一个例子。在自动驾驶汽车的开发中使用强化学习。代理通过从模拟和现实世界的经验中持续学习，学习如何导航交通、在交叉口做出决策以及应对各种驾驶条件。
强化学习还用于算法交易，以决定买卖金融工具。代理根据历史市场数据和实时市场条件学习最佳交易策略。
总结

机器学习是人工智能的一个子集，我们使计算机能够从示例和经验中学习。我们不是明确地编程，而是让机器从数据中学习，并自行解决问题。无论是识别我们喜欢的歌曲、理解我们的语音命令，还是帮助医生分析医学图像，机器学习已经成为我们日常生活的一部分。