01 機器學習導論

機器學習是一幫計算機科學家想讓計算機像人一樣思考所研發出來的計算機理論。他們曾經說過，人和計算機其實沒有差別，同樣都是一大批互相連接的信息傳遞和存儲元素所組成的系統，所有有了這樣的想法，加上他們得天獨厚的數學功底，機器學習的前身也就孕育而生了。機器學習的萌芽誕生于19世界60年代，20年前開始逐漸興起，它是一門跨學科的交融，這里面包含了概率論、統計學等等學科。隨著計算機硬件的提升，計算機運算速度的不斷提高，它真正開始進入我們的日常生活中。而在不久的將來，我相信它也會成為我們生活中比不可少的組成元素。

02 機器學習應用

第一個提到的，最具代表性的公司應該就是GOOGLE，它所研發的GOOGLE NOW，GOOGLE PHOTOS 都是基于機器學習的產物。同樣在百度，圖片識別也是應用到機器學習中的視覺處理系統。于此同時，各種各樣的企業都開始嘗試把自己的產品往機器學習上靠攏。 比如金融公司的匯率預測，股票漲跌，房地產公司的房價預測等等。機器學習不僅僅只有一種方法，實現它的方法多種多樣，這里所說的方法，在程序語言中，我們叫做算法。

03 什么是監督學習、非監督學習與半監督學習

目前所有的機器學習算法大概可以被分為 4 到 5 類，如果在學習過程中，我們不斷的向計算機提供數據和這些數據所對應的值，比如給計算機看貓和狗的圖片，告訴計算機哪些圖片里的是貓，哪些是狗，然后讓它學習去分辨貓和狗。通過這種指引的方式，讓計算機學習我們是如何把這些圖片數據對應上圖片所代表的物體，也就是讓計算機學習這些標簽可以代表哪些圖片，這種方式就叫做 “監督學習（SUPERVISED LEARNING）” 。預測房屋的價格，股票的漲停同樣可以用監督學習來實現，大家所熟知的神經網絡同樣是一種監督學習的方式。

如果同樣在這種學習過程中，我們只給計算機提供貓和狗的圖片，但是并沒有告訴它哪些是貓，哪些是狗，取而代之的是，我讓它自己去判斷和分類，讓它自己總結出這兩種類型的圖片的不同之處，這就是一種 “非監督學習（UN-SUPERVISED LEARNING）”。在這一種學習過程中，我們可以不用提供數據所對應的標簽信息，計算機通過觀察各種數據之間的特性，會發現這些特征背后的規律，這些規律也就是非監督方法所學到的東西。

還有一種方法綜合了監督學習和非監督學習的特征，這種叫作 “半監督學習（SEMI - SUPERVISED LEARNING）”。它主要考慮如何利用少量有標簽的樣本和大量的沒有標簽樣本進行訓練和分類。

04 什么是強化學習

在規劃機器人的行為準則方面，一種機器學習方法叫作 “強化學習（REINFORCEMENT LEARNING）”。也就是把計算機丟到了一個對于它完全陌生的環境或者讓它完成一項從未接觸過的任務，它自己會去嘗試各種手段，最后讓自己成功適應這一個陌生環境，或者學會完成這件任務的方法途徑，比如說我想訓練機器人去投籃，我只需要給它一個球，告訴它你投進了我給你記一分，讓它自己去嘗試各種各樣的投籃方法，在開始階段，它的命中率可能會非常低，不過它會像人類一樣自己總結和學習投籃失敗或成功的經驗，最后達到很高的命中率。GOOGLE 開發的 ALPHAGO 也就是應用了這種學習方式。

05 什么是遺傳算法

還有一種和強化學習類似的學習方法，叫做遺傳算法（GENETICALGORITHM），這一種方法是模擬我們熟知的進化理論，淘汰弱者，適者生存。通過這樣的淘汰機制去選擇最優的設計或模型，比如網上有一位開發者所開發的計算機學會玩超級瑪麗，最開始的馬里奧1代可能不久就犧牲了，不過計算機系統會基于1代的馬里奧隨機生成2代，然后在保存這些代里最厲害的馬里奧，淘汰掉比較弱的馬里奧代，然后再次基于強者“繁衍和變異”生出更強的馬里奧，這也就是遺傳算法的基本思想。

06 總結

以上就是當今比較重要的機器學習方法，我們再來總結一下，他們包括，有數據和標簽的監督學習；沒有數據，沒有標簽的非監督學習；有結合了監督學習和非監督學習的半監督學習；還有從經驗中總結提升的強化學習，最后是和強化學習類似的，有著適者生存，不適合淘汰準則的遺傳算法。

總結

以上是生活随笔為你收集整理的深入浅出：机器学习与人工智能代码的实现（1）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。