昨天聊了深度学习,它其实是机器学习的一种,而机器学习的目的是为了学会解决问题。
这里的机器实质上是一个计算机,所能解决的问题得是数学上的问题,因此生活中要解决的问题要转换为数学的问题。
定义出数学的问题后,那么,机器到底要怎么学习呢?
先看看人怎么学习的,我们上学时是看课本,听老师讲解,做题,然后核对答案,错了就改正,下次争取做对题。机器也是一样的。
目前主流的机器学习的方式是监督式学习。通过大量的数据和标签(类比试题和正确答案),让机器学习(类比做题),错则改正,对了就记住这样是对的。最终符合一定的准确率的标准后(类比考到90分以上),则认为这个机器已经学到了解决问题的函数了。
这里的监督的含义,即有人告诉他是对是错。
那么机器实质上是如何调整自身的呢?
这里要说明一下,机器从实际上看是一堆计算机硬件,但从抽象意义上看的由许多参数构成的数学模型。所以调整自身,即是调整这个模型和模型上的参数。
那么把数据输入这个数学模型后,就有对应的输出的结果。我们需要一个东西来衡量他的输出和正确答案之间的差距,这个函数就叫误差函数。
最终,学习的目的就转化为让这个误差最小,即优化模型最小化误差函数。
机器学习(下)将谈谈机器是如何优化自身模型,真正学到东西的。