【指南】非技术人员的机器学习指南:如何轻松地进入机器学习

世界末日

首先,我们听说机器人正在做蓝领工作。

然后,我们发现白领工作也不安全。

在我们恐慌我们将要失业,我们发现这些机器人正在背后议论我们。

可能是关于我们这些懒惰的失业人员的流言蜚语。

机器学习在许多不同的环境中都被讨论过,很难理解它到底是什么。你查一下,会得到很抽象的理论解释:高功率的拼字游戏,数学和代码墙。

你只是想知道什么是机器学习,为什么它很重要,以及它是如何工作的。老实说,你只是想弄明白所有的流行语,就像在中学的教室里骂脏话:每个人都在用它们,但你有一种感觉,没有人知道他们到底是什么意思。

让我们一探究竟

所以,机器学习,是…人工智能吗?

这是一个很好的开始。我们都知道人工智能的含义。我的意思是,我们都在思考不同的事情,但这确实是一种想法。

人工智能(AI)是建立可以做出“智能”决策的系统的研究。

基本上,如果电脑做了一些看起来很聪明的事情,我们就把它标记为人工智能。

我们来举个例子吧。电脑游戏经常会出现一些看起来很聪明的敌人。他们跟随我们,他们的行为方式使游戏更具挑战性。这是人工智能的一个例子。

游戏开发者通过给人工智能制定一套规则来实现这个目标。以玩家为例,如果玩家正在射击,那就找掩护。如果玩家停止射击,试着向玩家射击。游戏规则越多,游戏看起来就越智能。

问题是,电脑游戏通常是相当有限的。玩家只能执行一些特定的动作,而这个级别完全由开发人员设计。因此,开发人员可以为那些看起来非常聪明的人工智能角色制定规则。

不是所有的问题都可以用规则来解决

假设我们想要一台电脑来检测这是不是狗的照片。

试着想想我们需要什么样的规则。

狗有四条腿吗? 狗是白色的吗? 狗有毛吗?

计算机视觉问题,就像识别物体一样,是非常复杂的。但我们的大脑几乎凭直觉就能解决它们。所以,我们很难提出明确的规则。

进入机器学习

我们并没有建立一个识别狗的系统。我们建立了一个可以学会识别狗的系统。

我们给它提供了成千上万的图像,有些是狗,有些不是。系统学习了定义狗的图像的规则。

机器学习是建立可以学习做出明智的决定的研究。

关键字“学习”是机器学习与其他类型人工智能的区别所在。

你说机器可以学习规则。很明显,规则确实存在。我们只是尽全力去找到他们。

这绝对是正确的。如果我们努力尝试,我们可能会开发出一种基于规则的狗狗探测系统。它将有成千上万条规则,涵盖每一个可能的场景,这将是一件非常好的事。

如果我们现在想让系统检测包含食物的图像呢?好吧,我们扔掉所有的东西,从头开始。这些规则都不适用。

能学会识别目标的系统可以通过使用食物图片来识别食物,而不是狗。

这就是机器学习的力量。没有固定的规则,我们可以灵活的学习和适应。

保持真实

现在,听起来完全像我们建立了一个生动的学习系统,并且教它识别狗。然后我们教它可爱与爱的含义,然后希望它不要反抗并杀死我们。

现实情况不是这样的,相比起来要简单得多。我们希望机器学会基于预测做决定。让我们从这个问题开始:人类是如何预测的?

这里有一个我们如何预测的例子。你甚至可能在中学的科学课上做过类似的事情。

假设你做了一个实验。你收集数据,并在图表上画出来。

x轴是你改变的值,y轴是你测量的结果。然后在图上画一条趋势线(或最佳拟合线)。

这是最好的数据模型。

现在你有了这条线,你就可以做出预测了。你可以选择一个你从未测量过的权值,在x轴上找出它的位置,然后读出y轴来预测弹簧的长度。

你使用数据建立了一个模型,并用它来做出预测。如果你编写了一个可以执行这些步骤的程序,那么恭喜你:这就是机器学习。找到线性模型并利用它进行预测:这完全是一种机器学习技术,称为线性回归。

我们本可以把模型编进系统。这个系统可以预测该弹簧的情况。但如果没有我们编写新的代码,它就不能预测其他的弹簧。相反,如果我们教这个程序来执行线性回归并学习模型,那就是机器学习。我们不提供模型。我们让机器学习模型。

魔法

有一件东西是你需要从这个例子中学到的,那就是:

机器学习不是魔法。

我们并不是在建立一个可以学习一切的自我意识。弹簧模型程序永远不会学会识别狗。

我们建立了一个可以学习特殊类型的模型系统。我们所遗漏的只是模型。

几乎每一个机器学习系统都做了以下版本:

系统根据模型给出一个输出。它对输出进行评估,以确定它有多糟糕。然后更新模型,以改善接下来的输出。

机器学习是构建系统的艺术,它可以为特定的问题执行这个循环。

根据问题的不同,输出可能有很大的不同。它可能是聊天机器人的文本回应。或者是决定是否在自动驾驶汽车上踩刹车。

在我们的弹簧问题中,实际的模型可能是线性的。它可能是一个基于统计和概率的更复杂的模型。或者,它可以是一个神经网络,旨在模仿人类大脑的工作方式:

  • 链接地址为:https://hackernoon.com/neural-networks-the-1-minute-guide-a2909507f350

不管细节是什么,几乎每一个机器学习系统都在运行这个循环。在每一个周期中,系统都会提高一点点。在经历了数千次甚至上百万次的循环之后,我们可以获得比任何人类都更好的系统。

各种各样的应用程序,以及解决它们所需的技术,是机器学习与其他许多领域的交叉的原因。这也是为什么机器学习是如此令人感兴趣的原因。

构建机器学习系统可能很复杂,但理解机器学习并不一定是必要的。

所以,去征服它吧。你只需要再做几年,真的。到那时,我相信会有机器人来为你做这些。

原文发布于微信公众号 - ATYUN订阅号(atyun_com)

原文发表时间:2017-11-30

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

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AI科技评论

深度 | 自动化机器学习将成为下一个AI研究主流?听听数据科学家怎么说

AI科技评论按:在过去的一年当中,自动化机器学习已经成为一个众人感兴趣的话题。KDnuggets举办了一个关于该话题的博客大赛。结果喜人,有很多有意思的想法与项...

4059
来自专栏鸿的学习笔记

Machine Learning at Quora(简要版)

自从我一年前加入Quora,我一直在谈论在这里的所有的非常有趣的关于机器学习的挑战。然而,当我上周参加并在MLConf发言时,我很惊讶,许多和我谈过的人仍然没有...

922
来自专栏ATYUN订阅号

fast.ai推出全新的7周实用深度学习课程

深度学习入门课程第1部分,为编码人员提供实用的深度学习入门课程,由Jeremy Howard (Enlitic创始人)授课。深度学习入门课程不需要研究生水平的数...

1094
来自专栏机器之心

学界 | OpenAI竞争性自我对抗训练:简单环境下获得复杂的智能体

机器之心编译 选自:OpenAI 参与:蒋思源、刘晓坤 OpenAI 近日表示通过自我对抗训练的竞争性多智能体可以产生比环境本身复杂得多的行为。该研究基于 Do...

3865
来自专栏新智元

TensorFlow 工程总监 Quora 问答:深度学习系统瓶颈及用户痛点

【新智元导读】TensorFlow 工程总监Rajat Monga9月29日在Quora 上答疑,就深度学习效率瓶颈、TensorFlow 用户的痛点、如何用T...

41611
来自专栏ATYUN订阅号

在视频网站Netflix上进行个性化算法的创新 迎合你的口味排序视频

Netflix是一家美国在线视频网站。Netflix的视频体验是由一系列排名算法(Ranking Algorithm)组成的,每一种算法都针对不同的目的进行优化...

3355
来自专栏大数据挖掘DT机器学习

机器学习工程师31门课程(视频):从新手到专业

机器学习不仅仅是模型 产生这个问题的原因就是所有人都以为机器学习的模型就是机器学习本身,以为对那些个算法理解了就是机器学习的大牛了,但实际上完全不是这样的。 ...

39518
来自专栏AI科技大本营的专栏

AI 技术讲座精选:深度学习将彻底改变人们与技术交互的方式

【AI100 导读】在最近的六年当中,深度学习技术使得机器在物理世界的认知能力方面取得了巨大的进步。这只是一个开始。在未来几年,创业公司和一般的大型科技巨头都会...

4049
来自专栏人工智能头条

美丽联合机器学习应用探索:用更强大的模型,干净解决问题

2712
来自专栏LhWorld哥陪你聊算法

【强化学习篇】--强化学习从初识到应用

强化学习是学习一个最优策略(policy),可以让本体(agent)在特定环境(environment)中,根据当前的状态(state),做出行动(action...

1362

扫码关注云+社区

领取腾讯云代金券