【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about云

数据挖掘快速入门

问题导读 1.什么是数据挖掘? 2.机器学习 与 数据挖掘在什么地方? 3.数据挖掘能解决什么问题? 1 数据挖掘 数据挖掘(Data Mining,简...

3138
来自专栏PPV课数据科学社区

人工智能与大数据开发的12个注意点

人工智能是近年来科技发展的重要方向,在大数据时代,对数据采集、挖掘、应用的技术越来越受到瞩目。在人工智能和大数据的开发过程中,有哪些特别需要注意的要点人工智能领...

3214
来自专栏贺嘉的专栏

腾讯云总监手把手教你,如何成为 AI 工程师?

虽然现在 “智能”的取得建立在大量的人工前期工作基础上,缺乏无监督学习,但是人工智能方兴未艾,如何入门成为高薪抢手的AI工程师值得学习,腾讯云总监分享了如何入行...

9.3K5
来自专栏PPV课数据科学社区

我在面试机器学习、大数据岗位时遇到的各种问题

自己的专业方向是机器学习、数据挖掘,就业意向是互联网行业与本专业相关的工作岗位。各个企业对这类岗位的命名可能有所不同,比如数据挖掘/自然语言处理/机器学习算法工...

3836
来自专栏人工智能头条

如何成为一名自然语言处理工程师

1493
来自专栏AI科技评论

视频 | 棋类大战中惨败的人类,现在想要在电子游戏上扳回一局

喜欢机器学习和人工智能,却发现埋头苦练枯燥乏味还杀时间?油管频道 Arxiv Insights 每周精选,从技术视角出发,带你轻松深度学习。 本期 Arxiv ...

3526
来自专栏人工智能头条

阿里智能对话交互实践与创新

1964
来自专栏PPV课数据科学社区

了解人工智能之基础概念-基本概念问答

? 摘要: 本文对人工智能领域的一些基础知识进行了普及。对刚刚接触机器学习的人们会有不小的帮助。 在关注了机器学习一段时间以后,最近我开始投入到这个领域的研究...

3199
来自专栏新智元

【2018深度学习10大警示】多数芯片公司将破产;自我对弈可自动创造知识

来源:Medium 编辑:Cecilia 【新智元导读】2018年,对于深度学习来说,将是剧变的一年。多数硬件公司将破产;元学习将成为新随机梯度下降法;直觉机器...

3064
来自专栏机器之心

微软沈向洋对话Yoshua Bengio:强化学习在自动驾驶领域可能会非常重要

选自微软 作者: Allison Linn等 机器之心编译 参与:李泽南、吴攀 在微软今年 1 月宣布收购 Maluuba 时,深度学习先驱 Yoshua Be...

2826

扫描关注云+社区