自從OpenAI接連拋出ChatGPT、SORA之后，GenAI（生成式AI）推動(dòng)著人工智能開(kāi)始快速進(jìn)入了大眾的視野，從文本、圖片到視頻，熱度不減，很多AI應(yīng)用及其軟件APP如雨后春筍般地冒了出來(lái)，人工智能是否又會(huì)像當(dāng)初的計(jì)算機(jī)、互聯(lián)網(wǎng)、智能手機(jī)等一樣，極大地影響和改變我們的生活和工作？如果答案是肯定的話(huà)，那么它最基本的知識(shí)和概念，我們就有必要簡(jiǎn)單地了解和知曉一些，比如下面所要提到的機(jī)器學(xué)習(xí)（ML：Machine Learning）。

 

什么是機(jī)器學(xué)習(xí)：定義和示例

機(jī)器學(xué)習(xí)技術(shù)

機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集，它使系統(tǒng)能夠?qū)W習(xí)和優(yōu)化流程，而無(wú)需始終如一地進(jìn)行編程。簡(jiǎn)而言之，機(jī)器學(xué)習(xí)使用數(shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)和反復(fù)試驗(yàn)來(lái)“學(xué)習(xí)”特定任務(wù)，而無(wú)需為該任務(wù)進(jìn)行專(zhuān)門(mén)編程。

目錄

• 機(jī)器學(xué)習(xí)定義
• 機(jī)器學(xué)習(xí)的類(lèi)型
• 機(jī)器學(xué)習(xí)示例
• 機(jī)器學(xué)習(xí)的歷史

機(jī)器學(xué)習(xí)定義

 

機(jī)器學(xué)習(xí)是人工智能的一個(gè)重要子領(lǐng)域，它使用無(wú)數(shù)算法在機(jī)器中實(shí)現(xiàn)類(lèi)似人類(lèi)的學(xué)習(xí)模式。

什么是機(jī)器學(xué)習(xí)？

機(jī)器學(xué)習(xí)是人工智能的一個(gè)子領(lǐng)域，其中系統(tǒng)能夠通過(guò)數(shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)和試錯(cuò)來(lái)“學(xué)習(xí)”，來(lái)優(yōu)化流程，并以更快的速度進(jìn)行創(chuàng)新。機(jī)器學(xué)習(xí)使計(jì)算機(jī)能夠開(kāi)發(fā)類(lèi)似人類(lèi)的學(xué)習(xí)能力，這使它們能夠解決一些世界上最棘手的問(wèn)題，從癌癥研究到氣候變化。

大多數(shù)計(jì)算機(jī)程序依靠代碼來(lái)告訴它們要執(zhí)行什么或要保留哪些信息（即廣為人知的顯式知識(shí)）。這些知識(shí)包含任何易于編寫(xiě)或記錄的內(nèi)容，例如教科書(shū)、視頻或手冊(cè)。通過(guò)機(jī)器學(xué)習(xí)，計(jì)算機(jī)獲得了隱性知識(shí)，或者我們從個(gè)人經(jīng)驗(yàn)和上下文中獲得的知識(shí)。這種類(lèi)型的知識(shí)很難通過(guò)書(shū)面或口頭交流從一個(gè)人轉(zhuǎn)移到另一個(gè)人。

面部識(shí)別是一種隱性知識(shí)。我們能認(rèn)出一個(gè)人的臉，但我們很難準(zhǔn)確地描述我們?nèi)绾位驗(yàn)槭裁茨苷J(rèn)出它。我們依靠我們的個(gè)人知識(shí)庫(kù)來(lái)連接點(diǎn)，并根據(jù)他們的臉立即識(shí)別一個(gè)人。另一個(gè)例子是騎自行車(chē)，向別人展示如何騎自行車(chē)比解釋它要容易得多。

計(jì)算機(jī)不再需要依賴(lài)數(shù)十億行代碼來(lái)執(zhí)行計(jì)算。機(jī)器學(xué)習(xí)為計(jì)算機(jī)提供了隱性知識(shí)的力量，使這些機(jī)器能夠建立聯(lián)系，發(fā)現(xiàn)模式，并根據(jù)過(guò)去學(xué)到的知識(shí)進(jìn)行預(yù)測(cè)。機(jī)器學(xué)習(xí)對(duì)隱性知識(shí)的使用，使其成為從金融科技到天氣和政府等幾乎所有行業(yè)的首選技術(shù)。

 

什么是深度學(xué)習(xí)？

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)子領(lǐng)域，它因其從數(shù)據(jù)中提取特征的能力而受到關(guān)注。深度學(xué)習(xí)使用人工神經(jīng)網(wǎng)絡(luò) （ANN：Artificial Neural Networks） 從原始數(shù)據(jù)中提取更高級(jí)別的特征。人工神經(jīng)網(wǎng)絡(luò)雖然與人類(lèi)大腦有很大不同，但受到人類(lèi)生物處理信息方式的啟發(fā)。計(jì)算機(jī)所做的學(xué)習(xí)被認(rèn)為是“深度”的，因?yàn)榫W(wǎng)絡(luò)使用分層來(lái)學(xué)習(xí)和解釋原始信息。

例如，深度學(xué)習(xí)是圖像處理的重要資產(chǎn)，從電子商務(wù)到醫(yī)學(xué)圖像，無(wú)所不包。谷歌正在為其程序配備深度學(xué)習(xí)功能，以發(fā)現(xiàn)圖像中的模式，以便為您搜索的任何內(nèi)容顯示正確的圖像。如果你搜索一件冬季夾克，谷歌的機(jī)器和深度學(xué)習(xí)將聯(lián)手發(fā)現(xiàn)圖片中的圖案——尺寸、顏色、形狀、相關(guān)品牌名稱(chēng)——這些圖案顯示了滿(mǎn)足你查詢(xún)的相關(guān)夾克。

深度學(xué)習(xí)在放射學(xué)、病理學(xué)和任何嚴(yán)重依賴(lài)圖像的醫(yī)療領(lǐng)域也遇到了阻力。該技術(shù)依靠其隱性知識(shí)（通過(guò)研究數(shù)百萬(wàn)次其他掃描）立即識(shí)別疾病或傷害，從而為醫(yī)生和醫(yī)院節(jié)省時(shí)間和錢(qián)。

 

機(jī)器學(xué)習(xí)是如何工作的？

機(jī)器學(xué)習(xí)編譯輸入數(shù)據(jù)，這些數(shù)據(jù)可以是從培訓(xùn)課程或其他來(lái)源收集的數(shù)據(jù)，例如數(shù)據(jù)集搜索引擎、.gov 網(wǎng)站和 Amazon Web Services 等開(kāi)放數(shù)據(jù)注冊(cè)表。這些數(shù)據(jù)的功能與人類(lèi)先前的經(jīng)驗(yàn)相同，為機(jī)器學(xué)習(xí)模型提供歷史信息，以便在做出未來(lái)決策時(shí)使用。

然后，算法分析這些數(shù)據(jù)，搜索模式和趨勢(shì)，使他們能夠做出準(zhǔn)確的預(yù)測(cè)。通過(guò)這種方式，機(jī)器學(xué)習(xí)可以從過(guò)去收集洞見(jiàn)，以預(yù)測(cè)未來(lái)發(fā)生的事情。通常，團(tuán)隊(duì)可以提供給機(jī)器學(xué)習(xí)軟件的數(shù)據(jù)集越大，預(yù)測(cè)就越準(zhǔn)確。

這個(gè)想法是，機(jī)器學(xué)習(xí)算法應(yīng)該能夠自己執(zhí)行這些任務(wù)，只需要最少的人為干預(yù)。隨著機(jī)器學(xué)習(xí)在不同行業(yè)的許多方面實(shí)現(xiàn)自動(dòng)化，就加快了各種流程。