作者 | Anish Phadnis
翻譯 | Mika
本文為 CDA 數(shù)據(jù)分析師原創(chuàng)作品，轉(zhuǎn)載需授權(quán)

人腦是最神奇的。你知道我更感興趣的是什么嗎？是我們的學(xué)習(xí)能力。我們?nèi)绾文軌蜻m應(yīng)并學(xué)習(xí)全新的技能，然后應(yīng)用到日常生活之中呢?

我有一個6歲的弟弟，我看著他從懵懵懂懂的小嬰兒逐漸長大。他學(xué)會了如何爬行、走路、跑；如何學(xué)會說話，理解簡單的語法和簡單的數(shù)學(xué)。

本文中我就要談?wù)勅绾巫寵C器復(fù)制這種學(xué)習(xí)的能力。

假設(shè)我想教機器如何區(qū)分狗和貓。這很簡單，我的弟弟很容易就能做到。但是如何將其編程在機器上呢？我們不能簡單的認為，所有的貓都是尖耳朵，或所有的狗都有毛。如果我們試圖用代碼寫下所有貓狗間的差異，從而來解決這個問題，那么這是非常繁瑣的，而且成功的可能性很低。

通過機器學(xué)習(xí)，算法能夠理解貓與狗之間的差異，而無需刻意進行編程。它不需要我們?nèi)ブ笇?dǎo)應(yīng)該如何區(qū)分貓和狗。算法只需要看許多不同的貓和狗圖像，并學(xué)習(xí)當(dāng)中的區(qū)別。

這與我弟弟學(xué)會辨別貓狗很類似。不需要告訴他貓狗的差異，只需要告訴他，這張圖是狗，這張圖是貓。隨著時間的推移，小孩子就能慢慢了解貓狗的分別是什么樣了。

總而言之，機器學(xué)習(xí)能夠讓機器學(xué)會如果執(zhí)行任務(wù)，而無需明確地編程。

深度學(xué)習(xí)

我們知道機器學(xué)習(xí)是什么，那么深層學(xué)習(xí)到底是什么呢？

很簡單，深度學(xué)習(xí)只是機器學(xué)習(xí)中的一個領(lǐng)域。

深度學(xué)習(xí)只是機器學(xué)習(xí)的一個子集

深度學(xué)習(xí)算法被稱為神經(jīng)網(wǎng)絡(luò)，它以人腦為模型，模仿人類學(xué)習(xí)的方式。

讓我們以區(qū)分貓狗的例子來理解神經(jīng)網(wǎng)絡(luò)的運行原理。從本質(zhì)上講，神經(jīng)網(wǎng)絡(luò)接收輸入，這里也就是貓狗的圖像；然后得出輸出，即標簽為貓或狗的圖像。在輸入和輸出之間，隱藏層從圖像中提取特征。例如，這張圖中有長鼻子，鋒利的牙齒，尾巴等，然后通過這些信息預(yù)測圖像為貓還是狗。

神經(jīng)網(wǎng)絡(luò)

有時候這些特征很重要，比如狗的鼻子比貓長；而有時特征并不重要。為了解決這個問題，神經(jīng)網(wǎng)絡(luò)給某些特征賦予了比其他特征更多的權(quán)重，即如果一張圖像中的動物鼻子較長，則更有可能是狗。最終大量的特征匯集在一起，神經(jīng)網(wǎng)絡(luò)通過足夠的特征判斷圖像是否是狗，如果是的話則輸出這張圖是是狗。

但是如果出錯了呢？當(dāng)然，神經(jīng)網(wǎng)絡(luò)無法一開始就準確無誤。神經(jīng)網(wǎng)絡(luò)判斷圖像為貓，然而實際上是狗，這是學(xué)習(xí)的地方。

那這時會怎樣呢？它進入隱藏層，神經(jīng)網(wǎng)絡(luò)決定將相應(yīng)的權(quán)重放在相應(yīng)的功能上。如果出錯，網(wǎng)絡(luò)必須進行調(diào)整，從而得出正確的結(jié)果。經(jīng)過反復(fù)的調(diào)整，最終神經(jīng)網(wǎng)絡(luò)將能夠分辨出兩者間的差異。

我實際上能夠構(gòu)建這樣的神經(jīng)網(wǎng)絡(luò)，并得出95％的準確率。結(jié)果并不完美，但仍然是驚人的。

機器學(xué)習(xí)能解決哪些問題

在機器學(xué)習(xí)中，有3個不同的分支，它們都分別解決不同類型的問題。

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)是我到目前為止在向你解釋的，因為它是最容易理解的。給出輸入，并得知輸出是什么。我們有貓的圖像，而且知道它被標記為貓。通過給合適的特征賦予合適的權(quán)重，從而得出正確的結(jié)果，即圖像為貓。

這就類似你在復(fù)習(xí)細胞生物學(xué)測試。你在在測試自己是否掌握了細胞不同部分的功能。你正在學(xué)習(xí)細胞結(jié)構(gòu)，即輸出，并將其與輸出——細胞各部分的功能相匹配。這就是你在學(xué)習(xí)從輸入到輸出的過程。

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)是一個數(shù)據(jù)集，但當(dāng)中沒有標簽或沒有正確的答案。當(dāng)中只有數(shù)據(jù)點，無監(jiān)督學(xué)習(xí)的目的是找出數(shù)據(jù)中的模式，并幫助得出結(jié)論。

舉一個簡單的例子。給監(jiān)督學(xué)習(xí)算法一個正方形，告訴它是正方形，然后在給出一個三角形，告訴它這是三角形，諸如此類。接著它會理解是正方形是什么樣的，三角形又是什么樣的。

而在無監(jiān)督的學(xué)習(xí)問題中，它只會給出一堆形狀，而不會被告知它這些是形狀。在這種情況下，無監(jiān)督學(xué)習(xí)算法將相似的形狀組合在一起，可能是邊的數(shù)量相同的形狀，具有相同區(qū)域的形狀，具有相似顏色的形狀等等。接著它會找到基礎(chǔ)模式能夠?qū)⑿螤罘诸悺?

這就是無監(jiān)督學(xué)習(xí)算法如何嘗試在數(shù)據(jù)點中找到模式的例子。算法確定這是數(shù)據(jù)點之間的最佳分割，因為所有黃點與其他黃點最相似，所有紅點與其他紅點最相似，并且所有藍點與其他藍點相似。

強化學(xué)習(xí)

這實際上是我在機器學(xué)習(xí)中最喜歡的主題，也是我在編程方面投入時間最多的部分。最吸引我的就是以下視頻中的這種行走機器人。

強化學(xué)習(xí)是理解如何在環(huán)境中讓獎勵最大化獎勵的智能體。在以上視頻中，當(dāng)智能體能夠行走時就將獲得獎勵。為了將獎勵最大化，它將盡可能長時間地行走。

智能體通過測試所有可能的腿部動作來實現(xiàn)行走。智能體會因此獲得獎勵，因此它會繼續(xù)行并重復(fù)這一行動。

這很類似當(dāng)我六歲的弟弟學(xué)走路時，媽媽會在他邁步時會鼓掌和歡呼。當(dāng)他摔倒時他會停止讓他跌倒的行動，并繼續(xù)采取獲得媽媽鼓掌歡呼的步驟。最終，他學(xué)會了跑。

強化學(xué)習(xí)每次都讓我大吃一驚。

應(yīng)用
讓我們來談?wù)?a href='/map/jiqixuexi/' style='color:#000;font-size:inherit;'>機器學(xué)習(xí)在現(xiàn)實中的應(yīng)用。

自然語言處理（NLP）
計算機通過0和1中說話，我們用文字說話。我們的談話方式與計算機的談話方式之間存在差距，我們必須訓(xùn)練計算機來理解我們的語言。使用NLP，計算機不僅能夠轉(zhuǎn)錄單詞，而且能夠從中提取意義，甚至能以某種語調(diào)進行對話！有了Siri，Alexa和Cortana等助手，與智能手機交談最終會像在手機上使用鍵盤一樣普遍。

計算機視覺（CV）

NLP讓計算機具有通話能力，CV讓計算機能夠看到。這被應(yīng)用在自動駕駛汽車中，用于檢測不同的物體，如其他汽車、行人以及道路上的車道。這能夠讓計算機從攝像機中提取信息。這還可以用于簡單的人臉識別和檢測算法，正如Facebook上使用的那樣。

想象一下，Mark每天都在他家附近的公園里散步，但突然有一天他摔倒了，心臟病發(fā)作了。心臟病像許多其他疾病一樣是非常突然的，幾乎沒有任何預(yù)兆。我們身體中的某些模式預(yù)示著即將發(fā)生的某些健康方面的問題。通過使用Fitbits等設(shè)備能夠來跟蹤我們身體的健康數(shù)據(jù)，從而能夠分析這些數(shù)據(jù)并提前開始進行預(yù)測。通過分析健康數(shù)據(jù)，在Mark心臟病發(fā)作前一周，醫(yī)生們就能夠知道，并及時提供他需要的幫助。

關(guān)鍵要點
機器學(xué)習(xí)能夠機器學(xué)習(xí)如何執(zhí)行任務(wù)，而且無需明確地編程。

深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，它使用稱為神經(jīng)網(wǎng)絡(luò)的特定算法，該算法是以人腦為模型的。

監(jiān)督學(xué)習(xí)具有輸入和輸出，其目的是弄清楚如何從輸入到輸出。無監(jiān)督學(xué)習(xí)具有數(shù)據(jù)點，其目的只是在數(shù)據(jù)中找到模式。

強化學(xué)習(xí)是機器人在物理和虛擬世界中學(xué)習(xí)如何走路、跳躍和執(zhí)行其他人類行為的方式。

機器學(xué)習(xí)和深度學(xué)習(xí)的潛力是無限的，它將以前所未有的方式徹底改變世界。