【学术】入圈人工智能 你需要了解无监督机器学习的真正能力

“嘿,Siri。中国的首都是什么?”我们都知道接下来会发生什么——Siri提供了答案。Siri是如何知道正确答案的,这并不是一个谜,但更有趣的是,Siri能够完全理解这个问题。

Siri可以理解和回应人类的语音,这也是Facebook在你输入名字之前就知道在照片上添加标签的原因。这种“理解”是一种被称为机器学习的技术。

受过训练的机器学习 机器学习有两种类型:受过训练的和未经训练的。我们中的大多数人在日常生活中都经历过训练的或监督机器学习,从天气预报和运动结果预测到Siri和Facebook。这些示例被认为是受过训练的机器学习,因为它们需要输入和输出数据。

受过训练的机器学习形式是一种分类或回归。分类是指机器预测离散的响应,例如电子邮件是垃圾邮件还是合法邮件。经过足够多的手工区分,机器开始学习。它使用随时间收集的信息(输入数据)来确定结果,而结果就交给了输出数据。

回归是指机器预测持续的响应。我们通过股市预测看到这种训练机器学习的形式。想象一下,你被要求在这个序列中确定问号代表的数字:“3-9,4-16,5-25,8-?”你会怎样回答?你的答案可能是64,如果是的话,你是正确的。可以肯定的是,你可以通过研究这个序列来得出结论,并认识到每个数字后面都带有一个完美的平方。你通过研究一个序列,并且确定一个模式来得出结果。

在分类和回归的情况下,机器使用输入数据来确定输出,而输出必须在所提供的输出数据中。

还有一个更可靠的例子,让我们看看Facebook建议用户在照片中添加标签的方式。

Facebook不知道你和你的朋友长什么样子;它只是从之前标记的照片中收集数据,通过重复“学习”如何识别每个人。一个人的照片越多,Facebook就越有可能做出准确的建议。这就是为什么机器输入的数据越多,输出的结果就越准确。

未经训练的机器学习 未经训练或无监督的机器学习与受过训练的机器学习不同,因为它只需要输入数据。大多数未经训练的机器学习是一种集群分析的形式,其中一组数据以一种方式分组,以便每个组(或集群)中的项目比其他集群中的项目更相似。

未经训练的机器学习,就没有必然的结果。机器允许我们将数据输入机器学习算法,以确定特定数据集的“正常”值。我们不告诉机器什么是正常的;相反,它能够通过数据来确定什么是正常的,并根据行为创建组。这个系统没有发现任何不好的东西。从其他集合中,它决定了什么是有趣的或者是不同的。

组织可以利用未经训练的机器学习来防止潜在的威胁。它通过检查用户的行为(例如登录时间)来确定是否有异常的活动。通过跟踪每个用户在什么设备上登录到系统中,该机器可以开始创建集群。随着时间的推移,这台机器将能够预测特定用户的登录行为,因此,如果在模型之外有足够多的东西,它将被标记为奇怪的行为。

例如,假设一个员工主要从工作网络和家庭网络中登录公司系统,但是现在正在从一个新的位置登录。虽然这个人以前从未在新的场所登录过,但他们组中的其他用户登录过。因此,对于特定的人来说,这是不正常的,但是因为对于他们组中的其他用户来说,这是正常的,所以可能这种不正常的结果会引起关注。

在未经训练的机器学习中,组(输出)不是手动选择的。系统通过行为创建集群,然后使用这些信息进行比较。

人为因素 随着技术日益成熟,机器学习越来越融入我们的日常生活,许多人担心机器会取代人类。但现实是,在大多数应用程序中,没有添加人为因素的机器是无法实现的。无论受过训练还是未经训练,机器学习永远不会完全消除人类参与的需要。

请记住,机器只学习它所提供的数据。当使用机器学习技术时,重要的是要理解哪些数据点是有意义的。确定登录行为的风险或确认Facebook照片的身份是通过人工验证完成的。

因此,与其害怕机器学习,我们应该学习如何利用这项技术来获得最佳的优势,同时也要了解它的局限性。了解输入数据并对其产生的输出数据有清晰的理解是非常重要的。毕竟,为了让机器拥有真正的“知识”,它需要你的智慧。

原文发布于微信公众号 - ATYUN订阅号(atyun_com)

原文发表时间:2017-12-07

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

来自专栏人人都是极客

面向嵌入式 AI 芯片上视觉任务的神经网络设计

随着这几年神经网络和硬件(GPU)的迅猛发展,深度学习在包括互联网,金融,驾驶,安防等很多行业都得到了广泛的应用。然而在实际部署的时候,许多场景例如无人驾驶,安...

1544
来自专栏量子位

详解个性化推荐五大最常用算法

允中 若朴 编译自 Stats&Bots 量子位 出品 | 公众号 QbitAI ? 推荐系统,是当今互联网背后的无名英雄。 我们在某宝首页看见的商品,某条上读...

3715
来自专栏AI科技评论

学界 | MIT周博磊团队:时序关系网络帮助计算机填补视频帧之间的空白

AI 科技评论按:如果你向一个人仅仅展示一段视频中的几帧,他通常可以推测出视频里发生的是什么事件以及屏幕上会显示出什么。例如,如果我们在视频开始时的帧中看到了一...

1143
来自专栏IT派

全程中文:谷歌上线机器学习速成课程

IT派 - {技术青年圈} 持续关注互联网、区块链、人工智能领域 IT派日常小剧场 全球AI第一大厂Google推了新课程! ? Google今天上线了一...

2824
来自专栏AI科技大本营的专栏

资源 | 普通程序员如何自学机器学习?这里有一份指南~

机器学习工程师自学指南! 本文将会介绍机器学习的方方面面,从简单的线性回归到最新的神经网络,你不仅仅能学会如何使用它们,并且还能从零进行构建。 以下内容以计算机...

3476
来自专栏PPV课数据科学社区

【学习】关于推荐系统中的特征工程

在多数数据和机器学习的blog里,特征工程 Feature Engineering 都很少被提到。做模型的或者搞Kaggle比赛的人认为这些搞featu...

5058
来自专栏机器学习养成记

用机器学习更快了解用户(翻译)

“ 英文博文的部分翻译。英文原文链接:https://erikbern.com/2017/12/12/learning-from-users-faster-u...

3419
来自专栏企鹅号快讯

Yann LeCun:深度学习已死,可微分编程万岁!

昨天,Yann LeCun在Facebook个人主页上写到:深度学习已死,可微分编程万岁!这让不少人大吃一惊,莫非我们一直坚信的深度学习技术是假的“炒作概念”?...

2239
来自专栏ATYUN订阅号

NVIDIA研究人员提出新型深度学习架构,提高标识定位速度

NVIDIA的研究人员与学术界的合作者共同开发了一种新的基于深度学习的标识定位(landmark localization)架构,该架构用于寻找图像特定部分的精...

1186
来自专栏AI科技大本营的专栏

课程 | 工程大咖带你入门深度学习+TensorFlow

《深度学习基础与TensorFlow实践》 AI100学院有幸邀请到《深度学习原理与TensorFlow实践》作者之一、百纳信息公司AI方向负责人王琛老师6月...

3335

扫码关注云+社区