写给非技术人员的机器学习指南

这里是另一家创业公司的聚会,你靠在吧台上,一边喝着小酒。这样的夜晚你只考虑自己,尽情享受社交活动。

偶然间,一个声音从你耳边传来。

“他们绝对是机器学习的创业公司。”

谈话声消失了。

“他们仍然在使用统计NLP吗?复发性神经网络似乎是一种趋势。”

谈话声再次消失。

机器学习像病毒一样迅速传播,你惊讶的发现这几分钟内,吧台上的每个人都在讨论机器学习。

过去你曾听说过这个术语,谁没有听说过呢?机器学习是一种潮流,毫无疑问,它是人工智能的未来。

问题是,你没有一点关于它的想法。

你放下酒杯转身离开,今晚将是不眠之夜。

世界末日

最开始听说的机器学习机器人,是代替蓝领完成工作。

然后,我们发现机器人开始抢白领的饭碗。

在我们失业的将来,会发现这些机器人在我们背后聊天。

可能在闲聊那些懒惰的失业的人类。

机器学习在如此多的场景被谈及,但却很难被准确定义,翻越查找得到的是抽象的原理解释,高频拼字游戏的词语,以及由数学和代码组成的一堵墙。

你只想知道什么是机器学习,为什么它是一个伟大的想法,顺便了解一点它是如何工作的。坦白的说,你只想搞清楚身边那些流行词汇的意思,这些词汇就像中学课堂上该死的单词,每个人都在使用它们,但你有一种感觉没有人知道它真正的意思。

开始潜入

所以机器学习,像AI?

这是一个很好的开始,我们都知道人工智能的含义。我们虽然在思考不同的事情,但可以肯定的是思考的都是有价值的想法。

人工智能(AI)是研究构建做出“智能”决策的系统。

基本上如果电脑能做出一些似乎有点聪明的事儿,我们就会给它贴人工智能的标签。

举一个常见的例子,电脑游戏通常会出现智能的Boss角色,他们跟随我们,并且他们的行为方式让游戏变成一种挑战。这就是AI的例子。

通过给予AI一些列的规则,游戏的发展可以实现,跟谁玩家,如果玩家正在射击,寻找掩护,如果玩家停止射击,尝试击毙玩家。规则越多,游戏将会越智能。

问题是电脑游戏的规则是有限的,玩家仅限于一些特定的操纵,而操作水平完全由开发者设计。所以那些似乎真的很智能的出色的AI特征,就是由开发者设计的规则组成。

并不是所有的问题都可以用规则解决

比如说用一台电脑来检测这是不是狗的照片。

如何为这个任务定义规则呢?

尝试设想一下需要哪些类别的规则。

狗有四条腿?

狗是白色的?

狗有皮毛?

这是众所周知的座椅。

电脑视觉问题,比如识别一个对象,是相当复杂的。但我们的大脑却能直观的分辨出。所以设计出明确的规则非常困难。

进入机器学习

我们不能建立识别狗狗的系统,却能建立学习识别狗狗的系统。

这里有上千张图片,其中一些是狗的图片,一些不是。系统能学习可以定义为狗的照片的规则。

机器学习是研究构建做出“智能”决策的系统。

关键字”学习”去区分机器学习与其他人智能不同的地方。

“既然机器可以学习规则,那么显然,规则是已存在的,不必费劲便能找到它们。”

完全正确,如果竭尽全力我们可以开发基于规则的狗狗检测大作,它是包含所有可能情景的上千条规则,这是一件漂亮的事情。

那么,倘若现在需要一个能识别包含食物图片的系统呢?好吧,我们将抛弃之前所有的从头开始,以前的规则都不适用。

“出色的识别技术,热狗也是狗。”

一个可以学习识别对象的系统,通过使用食物图片而不是狗狗图片,可以被训练为识别食物。

这就是机器学习的魅力。与其去明确一系列规则,不如让机器灵活的去学习和适应。

保持真实

现在更像是我们建立了一个活生生的、能不断学习的,并能让它通过与小狗一起玩耍从而教它识别狗的机器。然后再教它可爱和爱,并希望说服它不要起义把我们灭了,是吧?

现实情况并没那么复杂,我们希望机器可以智能决策,通常建立在预测的基础上,所以从这样的问题开始:人类是怎样预测的?

这里有一个很好的例子来说明我们怎样预测,可能在中学的科学课堂上就做过。

比如做实验,你需要收集数据,然后绘制成图。

实验>数据>图形

x轴表示改变的值,y轴便是测量的结果,然后绘制趋势线(或者最佳线)。

这条线便是最好的数据模型。

因为有这条线,所以可以做出预测。你可以选择没有测量过的重量,在x轴上观察,然后从y轴上预测弹簧的长度。

使用数据建立模型,然后通过模型进行预测。

如果编程可以完成这些步骤,那么恭喜:这就是机器学习。

发现线性模型并借此进行预测,这完全是机器学习技术,我们称之为线性回归。

将模型编程写入系统,系统便能对这个弹簧进行预测。但如果不编写新的程序,它便无法对其他弹簧进行预测。

如果我们让程序完成线性回归本身,同时学习模型,这才是机器学习。

我们不提供模型,而是让机器去学习模型。

巫师戏法

举个例子来形容那边是:

机器学习并不神秘。

我们并不是建立拥有自我意识可以学习任何东西的机器,弹簧模型程序不会学习识别狗狗。

即便是你,弹簧狗。

我们建立的系统是可以学习特定类型的模型,那个我们所忽略的模型。

几乎每个机器学习系统都会以下这些事儿:

系统给出基于模型的输出结果,对输出进行评估,以确定它有多糟糕,然后更新模型,使未来的输出变得更好。

建立可以完成对特定问题不断循环(评估->更新->输出->评估)的系统,机器学习便是这么一门艺术。

输出的复杂性取决于问题本身,它可能只是来自于聊天机器人的文本响应,或者是无人驾驶中是否踩刹车的一个决定。

真实的模型可能是像弹簧问题的线性模型,可能是更复杂的基于统计和概率的模型。或者是设计模拟人类大脑工作的神经网络。

不管细节是什么,几乎每个机器学习系统都是这样循环的运行。每次循环,系统都提升一点点。经过上千次甚至百万次循环,便可以得到已学会比人类更好完成任务的系统。

丰富多彩的应用程序,以及解决程序问题所需的技术,都是机器学习与许多其他领域交叉的重要原因,也是现在为什么机器学习是如此激动人心的话题。

总结

建立机器学习系统是复杂的,但要搞懂机器学习并不难。

所以去征服那个创业公司的聚会吧,抛出那些新发现的流行词汇。你只需要再沉浸几年,到时候相信也会有机器人来帮你做这些事。

本文来自企鹅号 - 天善智能媒体

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏钱塘大数据

从普通程序员到AI大神,跨界的正确方式

眼下,人工智能已经成为越来越火的一个方向。普通程序员,如何转向人工智能方向,是知乎上的一个问题。本文是我对此问题的一个回答的归档版。相比原回答有所内容增加。 一...

3759
来自专栏AI科技评论

学界 | 百度Deep Voice作者与Bengio团队探讨五大技术细节,端到端的语音合成还有多远?

androidauthority AI 科技评论消息,今日百度研究院在官网上正式推出了 Deep Voice:实时语音合成神经网络系统(Real-Time Ne...

4169
来自专栏IT派

请查收:写给纯小白的机器学习指南

注:很多人都在谈人工智能,谈机器学习,但他们有自己的理解,作者从一个非常有趣的场景开始延伸,步步深入,对机器学习有独特的解释和指导。 这里是另一家创业公司的聚会...

3546
来自专栏机器之心

观点 | 深度学习虽好,但也有深度的烦恼

选自SIAM 作者:Michael Elad 机器之心编译 参与:微胖、李泽南 本文作者 Michael Elad 是以色列理工学院的计算机科学教授,他也是学术...

2946
来自专栏机器之心

业界 | Ian Goodfellow专访:我为什么可以在一夜之间创建GAN

Ian Goodfellow:不客气!非常感谢您来采访我,也感谢您撰写采访博客为其他学生提供帮助。

1102
来自专栏AI研习社

如何用 3 个月零基础入门机器学习?

写这篇文章的初衷是大部分私信我的朋友都想了解如何入门 / 转行机器学习,搭上人工智能这列二十一世纪的快车。再加上这个问题每隔一阵子就会在知乎时间线上出现一次,因...

38710
来自专栏机器之心

机器学习近年来之怪现状

总体来说,机器学习(ML)的研究人员正在致力于数据驱动算法知识的创建与传播。在一篇论文中提到,研究人员迫切地想实现下列目标的任一个:理论性阐述可学习内容、深入理...

962
来自专栏CSDN技术头条

写给非技术人员的机器学习指南

译者注:很多人都在谈人工智能,谈机器学习,但他们有自己的理解,作者从一个非常有趣的场景开始延伸,步步深入,对机器学习有独特的解释和指导。 这里是另一家创业公司的...

1916
来自专栏新智元

【创造人类水平AI】Bengio 纵览深度学习前沿:从 GAN 到极深网络

【新智元导读】深度学习大牛 Yoshua Bengio 日前在 Beneficial AI 大会上发表题为《创造人类水平AI》的演讲,总结深度学习技术发展及问题...

3538
来自专栏Bingo的深度学习杂货店

图像识别——突破与应用

最近,图像识别领域发布了白皮书,简单翻译一下做个总结。 ---- 目录 [1] Introduction      1.1 Exponential Growt...

1.6K11

扫码关注云+社区

领取腾讯云代金券