写给非技术人员的机器学习指南

  作者:Kannan Chandrasegaran

  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。

  End.

原文发布于微信公众号 - 机器人网(robot_globalsources)

原文发表时间:2017-12-01

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

来自专栏大数据文摘

扎克伯格预言即将成真:计算机可解读图片内容

26613
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

本文的目的是给出一个简单的,平滑的,易于实现的学习方法,帮助 “普通” 程序员踏入AI领域这个门。

1041
来自专栏新智元

DeepMind用深度学习模仿大脑推理,预测编码智能推进一大步!

【新智元导读】预测编码理论认为,大脑的感知、运动控制、记忆及其他高级功能,取决于真实经历和大脑对未来的预测之间的差异。DeepMind新推出的“生成查询网络”模...

1011
来自专栏机器之心

专访 | 三角兽首席科学家王宝勋:热度之下的对话生成

机器之心原创 作者:邱陆陆 从 EMNLP 入选论文《Neural Response Generation via GAN with an Approxima...

40511
来自专栏新智元

微软人工智能首席科学家邓力:深度学习十年简史和人工智能未来展望(33PDF下载)

【新智元导读】微软人工智能首席科学家邓力18日在首届世界人工智能大会 AI WORLD 2016 发表主旨演讲《深度学习十年简史和人工智能未来展望》。邓力博士回...

3647
来自专栏新智元

计算机视觉导览:如何快速上手,是否该读博?

【新智元导读】 Learning OpenCV 3 Application Development 一书的作者 Samyak Datta 在一次专访中解答了初学...

4333
来自专栏数据派THU

一文总览数据科学全景:定律、算法、问题类型...

作者:Pradeep Menon 翻译:王瑞玺 校对:梁傅淇 本文约3000字,建议阅读时间8分钟。 Pradeep Menon是一位在大数据,数据科学,数据架...

1937
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...

3508
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。

1042
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...

3516

扫码关注云+社区

领取腾讯云代金券