一文带你读懂人工智能中的机器学习ML

我们经常看到这几个热词：人工智能（ArTIficialIntelligence）、机器学习（MachineLearning）和深度学习（DeepLearning），但是它们之间究竟有什么区别和联系呢？

人工智能（AI）的根本在于智能，即如何为机器赋予人的智能，这是一个非常大的范围。

机器学习（ML）是指通过数据训练出能完成一定功能的模型，是实现人工智能的手段之一，也是目前最主流的人工智能实现方法。人工智能是科学，机器学习是让机器变得更加智能的方法或算法。

深度学习（DL）是机器学习的一个分支。深度即层数，超过 8 层的神经网络模型就叫深度学习。深度学习也是当下最流行的机器学习的一种。目前在语音、图像等领域取得了很好的效果。

三者之间是从大到小的包含关系。

今天重点介绍一下机器学习ML。

机器学习直接来源于早期的人工智能领域。

机器学习为什么如此重要？机器学习之所以成为人工智能背后的强劲动力是在于一个重大突破--互联网的发明。互联网有大量的数字信息被生成存储和分析。机器学习算法在这些大数据方面是最有效的。

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。机器学习则是机器通过大数据的输入，从中主动寻求规律，验证规律，最后得出结论，机器据此结论来自主解决问题，如果出现了偏差，会自主纠错。

那么什么是机器学习呢？

机器学习ML（Machine Learning）是一门人工智能的学科，一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

机器学习ML是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

ML defined byLangley（1996） - Machine learning is a science of the arTIficial. Thefield‘s main objects of study are arTIfacts， specifically algorithms that improvetheir performance with experience.

ML defined byTom Mitchell （1997）- Machine Learning is the study of computeralgorithms that improve automaTIcally through experience.

ML defined byAlpaydin（2004） - Machine learning is programming computers to optimize aperformance criterion using example data or past experience.

机器学习的本质是空间搜索和函数的泛化。无论使用哪种机器学习模型，都要经历要经历“建立模型”，“训练模型”，“反馈”，“应用”的过程。而这个过程，跟一个婴儿认识世界，获取知识的过程是一样的。培养机器建立人的认识的过程，就是“机器学习”。

机器学习常见分类：

1）有监督学习（supervised learning）：从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。主要应用于分类和预测。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常用算法包括人工神经网络（Artificial neural network）、贝叶斯（Bayesian） 、决策树（Decision Tree）和线性分类（Linear classifier）等 。