人工智能之机器学习

今天我们来说说人工智能是如何学习的。

大家应该听说过一个词叫卷积神经网络，今天我们就讲其中最基本的单元，神经元。

我们知道，神经元是我们大脑的重要组成部分，是神经系统最基本的结构和功能单位。分为细胞体和突起两部分。细胞体由细胞核、细胞膜、细胞质组成，具有联络和整合输入信息并传出信息的作用。突起有树突和轴突两种。树突短而分枝多，直接由细胞体扩张突出，形成树枝状，其作用是接受其他神经元轴突传来的冲动并传给细胞体。轴突长而分枝少，为粗细均匀的细长突起，其作用是接受外来刺激，再由细胞体传出。

神经元中信息通过电位差来表示，而电位差又由各个地方的阴阳离子浓度来决定。这些离子叫做神经递质。在突触（两个神经元互相接触的地方），这些神经递质被传到另一个神经元中，从而完成信息传递。

人工神经元也一样，进行着类似的功能。下面我们上图：

每个人工神经元通过对输入的数据进行加权来进行处理，加权之后，我们需要设置一个标准，如果结果大于标准，输出值就为1，反之则为0。其中最重要的就是数据的权重。人工神经元需要“学习”来使输出值与期望值相等。即当出现误差时，计算机会改变上一次的权重并再次带入计算。

也就是说，计算机先会随机生成一个方程，类似于ax+by+c=0；

接着把数据点和期望结果一一带入，不断调试方程的系数（也就是之前所谓的标准）。显然，带入的数据点越多，计算机最后的标准也就越准确，对于新的数据点的判断也就越准确。

只要我们输入一个初始值和一组期望输出结果，计算机就会不断迭代直到误差为零，此时，整个“学习”过程就结束了。

那么，这有什么用呢？举个例子，假如机器要扮演的是老鼠的角色，现在有很多个数据点，在坐标系中分布成这样，计算机一开始并不知道哪个是食物，哪个是天敌，便去一个个试，结果发现图中红色为天敌，黑色为食物。

于是计算机便按照上文说的算法迭代出了一条这样的线，作为”学会“的标准，

这条线下的都是食物，这条线上方的都是天敌

现在机器发现了有一个新的点，那他是天敌还是食物呢？只要根据之前学的标准一看便知。

以上介绍的都是单个人工神经元，仅能学习一些关系非常简单的数据点，但在正真机器学习的过程中，有成千上万个这样的神经元，构成了许多层的神经网络，一层一层处理输入的数据，使得可调节的系数非常之多，可学习的数据自然也可以非常复杂了。

以上就是本期机器学习科普的全部内容，如有不懂或建议可以在下方留言提出哦

编者：Roushelfy