技术词条 机器学习篇

机器学习(Machine Learning)

解释讲述人工智能领域内的专业词汇和算法，是AI君在2018年最先要做的事情，我们第一个要讲的就是大名鼎鼎的“机器学习”。

机器学习，英文全称Machine Learning，是人工智能领域的一个重要学科，Tom M. Mitchell在其著作《Machine Learning》中指出，机器学习就是指“计算机利用经验自动改善系统自身性能的行为”。简言之，机器学习是指通过计算机学习数据中的内在规律性信息，获得新的经验和知识，以提高计算机的智能性，使计算机能够像人那样去决策。

机器学习算法一般主要分为三类：监督式学习(supervised learning)；非监督式学习(unsupervised learning)；强化学习(reinforcement learning)。接下来分别对这三类算法作简要介绍。

因为机器学习本身是诸多种算法的总称，所以读者如果在下文中看到不明白的名词也不必太费心了解，对于下文中提到的每一个算法，将来都会发布单独的一篇文章予以介绍。

监督式学习

监督学习用有标签的数据作为最终学习目标，通常学习效果好，但获取有标签数据的代价是昂贵的。

监督学习的数据集包括初始训练数据和人为标注目标，希望根据标注特征从训练集数据中学习到对象划分的规则，并应用此规则在测试集数据中预测结果，输出有标记的学习方式。因此，监督学习的根本目标是训练机器学习的泛化能力。

监督学习的典型算法有：逻辑回归(logistic regression)、多层感知机(multilayer perceptron, MLP)、卷积神经网络(convolutional neural network, CNN)等；典型应用有：回归分析(regression analysis)、任务分类(classification)等。

非监督式学习

无监督学习相当于自学习或自助式学习，便于利用更多的数据，同时可能会发现数据中存在的更多模式的先验知识(有时会超过手工标注的模式信息)，但学习效率较低。

无监督学习，用于处理未被分类标记的样本集数据并且事先不需要进行训练，希望通过学习寻求数据间的内在模式和统计规律，从而获得样本数据的结构特征，因此，无监督学习的根本目标是在学习过程中根据相似性原理进行区分。无监督学习更近似于人类的学习方式，被Andrew Ng誉为：人工智能最有价值的地方。

无监督学习的典型算法有自动编码器(auto encoder)、受限玻尔兹曼机(restricted boltzmann machine, RBM)、深度置信网络(deep belief network, DBN)等；典型应用有：聚类(clustering)和异常检测(anomaly detection)等。

强化学习

在未知环境中，关于智能体(agent) 的学习行为是一个既充满挑战又有趣的问题，强化学习通过试探(trial-and-error)与环境交互获得策略(policy)的改进，其学习和在线学习的特点使其成为机器学习研究的一个重要分支。

强化学习技术以马可夫决策过程(markov decision process)为基础，它的基本思想是：如果智能体(agent)的某个动作(action)导致环境正的奖赏(reward)，即为强化信号，则智能体以后这个动作的趋势便会加强; 反之智能体产生这个动作的趋势减弱。

众所周知的打败人类围棋世界冠军的"阿尔法围棋"(AlphaGo)的技术原理就是强化学习。升级版的AlphaGo Zero更是不需要借助任何人类知识，从随机的自我对弈开始，只学习了3天就以100:0的战绩横扫曾经打败了李世石的AlphaGo版本。

结合深度学习(deep learning)的深层强化学习(deep reinforcement learning)，是目前人工智能领域最前沿的研究和应用方向之一。近年来，计算机运算速度不断加快，量子计算领域的研究也在稳步进行，人类可以利用计算机对更大规模、更大尺度的数据进行处理，相信在不远的将来，人类终能迎来通用人工智能的时代。

总结

机器学习的一般流程如下图。总之，机器学习就是计算机在算法的指导下，能够自动学习大量输入数据样本的数据结构和内在规律，给机器赋予一定的智慧，从而对新样本进行智能识别，甚至实现对未来的预测。

End

—如果喜欢，快分享给你的朋友吧—

让我们一起在这里，领略人工智能之美

微信/微博：AI君工作日记

图片来源

http://nkonst.com/machine-learning-explained-simple-words/

https://thumbs.dreamstime.com/z/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E6%A6%82%E5%BF%B5-62982306.jpg

https://2.bp.blogspot.com/-Day4kDlOn3s/Wa0oMafMaDI/AAAAAAAAD4o/cXVyly-t4VkrIA6Xxk9v98c5MRfQnCW9QCLcBGAs/s1600/3%2BML.png

参考文献

Carbonell, J. G., Michalski, R. S., & Mitchell, T. M. (1983). An overview of machine learning. In Machine learning (pp. 3-23). Springer Berlin Heidelberg.

Goldberg, D. E., & Holland, J. H. (1988). Genetic algorithms and machine learning. Machine learning, 3(2), 95-99.

Nasrabadi, N. M. (2007). Pattern recognition and machine learning. Journal of electronic imaging, 16(4), 049901.

Michalski, R. S., Carbonell, J. G., & Mitchell, T. M. (Eds.). (2013). Machine learning: An artificial intelligence approach. Springer Science & Business Media.

Zhang Run, & Wang Yong-bin. (2016). Research on Machine Learning with Algorithm and Development. Journal of Communication University of China Science and Technology, 23(2), 10-18.