机器学习-什么是机器学习

什么是机器学习？

从翻译应用到自动驾驶汽车，我们利用一些最重要的技术为机器学习 (ML) 提供支持。本课程介绍了机器学习的核心概念。
机器学习提供了一种解决问题、回答复杂问题以及创建新内容的新方式。机器学习可以预测天气、估算行程时间、推荐歌曲、自动补全句子、汇总文章以及生成前所未有的图片。
从根本上来讲，机器学习是对一种软件（称为模型）进行训练的过程，用于进行实用的预测或通过数据生成内容。
例如，假设我们要创建一个应用来预测降雨。我们可以使用传统方法或机器学习方法。我们使用传统的方法，创建基于地球的物理特性的表面和地球表面，并计算大量的流体动力方程式。这非常困难。
使用机器学习模型，我们将为机器学习模型提供大量天气数据，直到机器学习模型最终学习了产生不同降雨量的天气模式之间的数学关系。然后，我们会为模型提供当前天气数据，并预测雨量。


机器学习系统的类型

机器学习系统根据学习进行预测或生成内容的方式，分为以下一个或多个类别：

监督式学习非监督式学习强化学习生成式 AI

监督式学习

监督式学习模型在看到具有正确答案的大量数据后，便可以发现数据中元素产生正确答案之间的关联，从而进行预测。这就像一位学生通过学习同时包含问题和答案的旧考试来学习新资料。学生完成足够多的旧考试后，就能准备好参加新考试。 这些机器学习系统是“监督式的”，因为人类会为机器学习系统提供已知正确的结果。
监督式学习最常见的两种使用场景是回归和分类。

回归
回归模型可预测数值。例如，用于预测降雨量（以英寸或毫米为单位）的天气模型就是回归模型。
如需查看回归模型的更多示例，请参阅下表：

场景	可能的输入数据	数值预测
未来房价	平方英尺、邮政编码、卧室和浴室数量、停车场规模、抵押贷款利率、房产税率、建筑费用以及该区域内的待售住宅数量。	住宅的价格。
未来的行程时间	历史路况信息（从智能手机、交通传感器、约车及其他导航应用收集）、到目的地的距离以及天气状况。	到达目的地的时间（以分钟和秒为单位）。

分类
分类模型可预测某个内容属于某个类别的可能性。与回归模型（其输出为数字）不同，分类模型输出的值会指明某个内容是否属于特定类别。例如，分类模型用于预测电子邮件是否为垃圾邮件或照片是否包含猫。
分类模型分为两组：二元分类和多类分类。二元分类模型会从仅包含两个值的类输出值，例如，输出 rain 或 no rain 的模型。多类分类模型从包含两个以上值的类输出值，例如，可输出 rain、hail、snow 或 sleet 的模型。
非监督式学习

非监督式学习模型通过提供不包含任何正确答案的数据进行预测。非监督式学习模型的目标是从数据中找出有意义的模式。换言之，模型对如何对每条数据进行分类没有提示，而是必须推断出自己的规则。
一种常用的非监督式学习模型采用一种称为聚类的技术。该模型会找出界定自然分组的数据点。
聚类与分类不同，因为类别不是由您定义的。例如，非监督式模型可能会根据温度对天气数据集进行聚类，从而显示定义季节的细分。然后，您可能需要根据自己对数据集的了解来命名这些集群。
强化学习

强化学习模型根据在环境中执行的操作获得奖励或处罚来进行预测。强化学习系统会生成一项政策，用于定义获得最多奖励的最佳策略。
强化学习用于训练机器人执行任务，例如在房间内走动，以及训练 Go （指AlphaGo是第一个击败人类职业围棋棋手的计算机程序）游戏等软件程序。
生成式 AI

生成式 AI 是一种可基于用户输入创建内容的模型。例如，生成式 AI 可以创建新颖的图片、乐曲和笑话；它可以汇总文章、解释如何执行任务或编辑照片。
生成式 AI 可以接受各种输入并创建各种输出，例如文本、图像、音频和视频。此过程还可以创建和创建这些事件的组合。例如，模型可以将图片作为输入，并创建图片和文本作为输出，或者将图片和文本作为输入，并创建视频作为输出。
我们可以按输入和输出（通常写为“输入类型”到“输出类型”）来讨论生成模型。例如，下面列出了生成模型的部分输入和输出：

文本到文本文本到图像文本到视频文本到代码文字转语音图片和文字转图片

下表列出了生成模型的示例、输入模型及其可能的输出示例：

模型	输入	输出示例
文本到文本	谁发明了灯泡？	灯泡的发明经历了以下七个阶段： 1854年，德国移民美国的钟表匠亨利·戈贝尔制造了首个具有碳化灯丝的灯，其持续亮了400个小时，但没有及时申请专利。1860年，英国发明了真空下用碳丝通电的灯泡，并获得英国片专利。1878年，碳化灯丝通过充碳化灯丝通过氮气进而充氩气的真空下发光的灯在英国获得了专利。1874年，碳化灯丝被放进玻璃真空外壳中。1876年，碳化灯丝使用到整个真空外壳。1877年，碳化灯丝被放进玻璃真空外壳后，碳化灯丝被卷曲成U形或者螺旋形。1879年，碳化灯丝在真空下通电发亮。 综上，灯泡的发明者是英国发明了真空下用碳丝通电的灯泡的钟表匠亨利·戈贝尔。
文本到图像	一个外星章鱼漂浮在门户网站上看报纸。
文本到视频	一张逼真的泰迪熊在旧金山的海洋中游泳。 泰迪熊落在水下。泰迪熊和五颜六色的鱼不断在水下游泳。 熊猫在水中游动。
文本到代码	编写 Python 循环以遍历数字列表并输出质数。	for number in numbers:# Check if the number is prime.is_prime = Truefor i in range(2, number):  if number % i == 0:      is_prime = False      break# If the number is prime, print it.if is_prime:  print(number)
图片转文字		火烈鸟的场景

生成式 AI 的工作原理是什么？概括来讲，生成模型会学习数据中的模式，以生成全新但类似的数据。生成模型如下所示：

学习通过观察他人的行为和说话方式来模仿他人的喜剧演员学习了特定风格的绘画，以此学习特定风格的绘画翻唱乐队，听一听特定乐队的音乐，学习特定乐队的声音

为了生成独特且有创意的输出，生成模型最初是使用无监督方法进行训练的，其中，模型会学习模仿要训练的数据。有时，系统会通过监督或强化学习来学习与模型可能要求执行的任务相关的特定数据（例如，总结文章或修改照片）来进一步训练模型。
生成式 AI 是一项发展迅速的技术，经常有新的用例被发现。例如，生成模型通过自动移除分散注意力的背景或提高低分辨率图片的质量，帮助企业优化其电子商务产品图片。

顶

赞一个，赞一个

我擦！我要沙发！