大白话讲AI：什么是机器学习？

现在AI火的一塌糊涂，很多人知道AI是人工智能，却不知道机器学习是啥。
机器学习是人工智能领域的一个重要分支，涉及概率论、统计学等多个学科。机器学习主要的一个作用，就是让计算机能够通过算法，从数据中进行学习，并调整一些参数，然后用来处理相应的预测分类或决策任务。
大白话点说，你可以理解机器学习就是个模拟人脑的过程。



例如一个小朋友想要学习不同的水果都叫什么名字，父母就可以给孩子准备两批不同的水果图片。
第一批水果图片，需要父母一张一张的教给小朋友图片上的水果，都叫什么名字，这个过程就是机器学习中的模型训练阶段，这第一批水果图片，就是训练集。
父母告诉孩子每一张图片上的水果叫什么，这就好比是给图片打标签，专业点说就是给数据做标注，然后让机器学习数据的标注结果，这种训练方式在机器学习里，就叫做有监督学习。
等小朋友把第一批图片学了几遍之后，就可以再找第二批水果图片来让小朋友辨认，第二批图片也被称为验证集。
这个过程在机器学习中被称为“验证阶段”，它帮助评估模型（在这里是孩子的认知能力）对未见过的数据（新的水果图片）的泛化能力。
如果孩子在验证集上的表现令人满意，说明他已经掌握了基本的水果图片识别技能，相当于机器学习模型完成了初步训练。
这个时候就可以用第三批数据集来进行测试，比如让孩子到超市中进行实地辨认，相当于是让孩子投入实战，这第三批数据集，就是测试集，用来检验模型的实际训练成果。
除了有监督学习，还有无监督学习、半监督学习的训练方式，并且都会涉及到一些算法和参数的配置，但总体其实都是对人脑的模拟。
有监督学习是利用有标注的数据进行训练，那么无监督学习自然就是利用无标注的数据进行训练，也就是说数据集中并没有明确的结果标签。
比如，有一组客户的购物数据，包括购买的商品、价格、频率等，但没有预先定义这些数据应该被划分成什么类别，有可能会被分成购买频率高但价格低购买频率低但价格高的，也有可能会被分成生活用品和文具用品等。
无监督学习的这个特征常被用来进行分类预处理，比如在面对一些不能被事先明确分类的图像或购买数据，就可以利用无监督学习的训练方式，将数据进行处理分类。
至于半监督学习，其实并不是一半有标注数据，一半没有标注数据，而是一小部分有标注数据，和一大部分无标注数据。
相较于有监督学习主要依赖有标注数据的训练方式，半监督学习的训练方式更加复杂一些。
比如，在半监督学习训练时，会首先使用有标注数据训练一个初始模型，然后用这个模型对未标注的数据进行预测或分类，将预测结果作为新的有标注数据加入到训练集中，再次训练模型，这个过程可能会反复进行。
这样的训练方式，能够在一定程度上，提升模型的泛化能力，让模型变得更聪明，同时还能缓解有标注数据量不足的问题，比如像医疗研究领域中，获取有标注数据比较困难，或者成本比较高。
“泛化能力”四个字，你就可以简单理解为让模型不仅知道“1+1=2”，也能知道“1+1+1=3”，也就是不那么死板。
除了有监督学习、无监督学习、半监督学习，其实还有强化学习的训练方式，后续会用单独的一篇文章来讲，敬请期待。

1v1飘过

顶顶更健康

不聊了，又该去搬砖了。。。