机器学习是什么？
今天说说机器学习，本系列会分几个部分进行探讨。本篇文章，将会用非常直白的语言进行介绍机器学习的基本定义，帮助普通人也可以理解机器学习。
首先，要明确什么是机器学习？打开灯，是机器学习吗？打开电视机，遥控电视，是机器学习吗？基本的交通信号灯控制程序是机器学习吗？一个复杂的计算天文数字的程序是机器学习吗？这些都不是。
机器学习的一大特点就是“改进”。英文词汇是“adapt”。直白的说就是，它可以对你的输入进行自己改进，而这种改进是没有人为干预的。但有一点要明确的是，他的这种改进一定是非常严格的按照机器学习模型进行改进的，而不是肆意妄为。所以现在不用担心他们的学习能力。
机器学习主要有以下定义[1]：
1.机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
2.机器学习是对能通过经验自动改进的计算机算法的研究。
3.机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。
什么是机器学习模型呢？
机器学习模型是机器学习算法的结果。假定有一个方程F，那么当你输入值的时候，会返回给你结果。
什么是机器学习算法呢？
机器学习算法是揭示数据内潜在关系的过程。
需要注意的是，机器学习模型不是从定义好的功能中提取的，而是从历史数据里面得到的。所以当你使用不同值输入的时候，那么这个机器学习算法的结果也会变化，自然而然这个模型也会发生变化[2]。
举个例子，机器学习是如何进行学习识别猫的。那么我需要提前准备大量的猫的照片，然后得到一系列的数据关系，也可以理解为数据的方程。照片是由像素构成的，每个像素再由RGB三种颜色组成。那么再把这一系列的像素值的关系，和我们目标的值（要给机器看的照片）进行比对，就可以得出我们输入的照片里面有无猫了。
机器学习的任务是从巨大的映射空间里面学习函数（方程）。
映射空间可以这样理解，假定一张照片是一个像素，那么就是256。那么输入和输出的映射空间就是256*2 。所以，当照片像素很高的时候，那么空间是很大的。数据也很大，数据的关系也很复杂。
机器学习，按照对模型对操作过程中又分监督学习，半监督学习，无监督学习。按照输出对结果来分，又分“Classification" 和 “Regression”。也可以按照其他的分，有很多种。将在以后的文章中详细介绍概念。
我们为什么需要机器学习？
机器学习的应用非常广泛。从军事领域再到民生领域，方方面面都用得到。预测交通状况，帮助司机预估堵车时间。判定天气状况，预测灾难。监测动物，识别动物。提升手机应用效率，合理利用电池。利用机器学习基因监测， 大幅提高检测能力。提升短视频推荐算法，提升短视频推荐能力。
我记得facebook专门介绍过他们的机器学习应用。facebook在用在了很多方面[3]：
1.机器学习确定投送广告，向谁投送，何时投送。
2.一系列的排序，也是按照机器学习来的。
3.你看到的推荐好友，也是机器学习。
机器学习的算法可以用在不同的环境，就比如识别过猫的算法，也可以进行用来对人脸的识别，可以用相同的分类方法来训练一个模型。简而言之，机器学习的数据和模型是分开的，两者可以替换以产生不同的效果。然后严格的按照模型，自适应的调整行为。
[1] https://en.wikipedia.org/wiki/Machine_learning
[2]https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/
[3] Hazelwood, Kim, et al. "Applied machine learning at facebook: A datacenter infrastructure perspective." 2018 IEEE International Symposium on High Performance Computer Architecture (HPCA). IEEE, 2018.
Andrew Ni
最后，如果有想了解其他的或者有问题的，可以关注我的公众号联系我。
网友评论