什么是机器学习？定义、类型和例子

机器学习是一种常见的人工智能类型。让我们一起来了解一下这项激动人心的技术、它的工作原理以及为我们每天所依赖的服务和应用程序提供动力的主要类型。

 

机器学习是人工智能的一个子领域，它使用在数据集上训练的算法来创建模型，使机器能够执行原本只有人类才能完成的任务，例如对图像进行分类、分析数据或预测价格波动。

如今，机器学习已是最常见的人工智能形式之一，通常为我们每天使用的许多数字商品和服务提供动力。

本文中，我们将一起了解什么是机器学习，包括它的工作原理、不同类型的机器学习以及它在现实世界中的实际使用方式。我们将看看机器学习带来的好处和危险。

 

机器学习定义

机器学习是人工智能 （AI） 的一个子领域，它使用在数据集上训练的算法来创建能够预测结果和分类信息而无需人工干预的自学习模型。如今，机器学习被用于广泛的商业目的，包括根据消费者过去的购买情况向消费者推荐产品、预测股市波动以及将文本从一种语言翻译成另一种语言。

在通常的用法中，由于当今世界以人工智能为目的的机器学习的普及，术语“机器学习”和“人工智能”经常互换使用。但是，这两个术语在意义上是截然不同的。人工智能是指创建具有类似人类认知能力的机器的一般尝试，而机器学习则特指使用算法和数据集来做到这一点。

例子和用例

机器学习通常是当今全球使用的最主流的人工智能技术类型。您在日常生活中可能与之交互的一些最常见的机器学习例子包括：

• 向您推荐产品、歌曲或电视节目的推荐引擎，例如在亚马逊、Spotify 或 Netflix 上找到的产品、歌曲或电视节目。
• 语音识别软件，可让您将语音备忘录转换为文本。
• 银行的欺诈检测服务会自动标记可疑交易。
• 自动驾驶汽车和驾驶员辅助功能，如盲点检测和自动停车，提高了车辆的整体安全性。

 

机器学习是如何工作的？

机器学习既简单又复杂。

从本质上讲，该方法只是使用算法（本质上是规则列表）来调整和完善过去的数据集，以便在面对新数据时进行预测和分类。例如，机器学习算法可以在由数千张花卉图像组成的数据集上进行“训练”，这些图像标有每种不同的花卉类型，以便它可以根据从其他图片中学到的差异化特征正确识别新照片中的花朵。

然而，为了确保这些算法有效工作，它们通常必须经过多次改进，直到它们积累出一个完整的指令列表，使它们能够正常运行。经过充分训练的算法最终会成为“机器学习模型”，这些模型本质上是经过训练以执行特定任务的算法，例如对图像进行排序、预测房价或下棋。在某些情况下，算法相互叠加以创建复杂的网络，使它们能够执行越来越复杂、细致入微的任务，例如通过一种称为“深度学习”的方法生成文本和为聊天机器人提供动力。

因此，尽管机器学习的一般原理相对简单，但在过程结束时生成的模型可能非常复杂和复杂。

机器学习与深度学习

在探索机器学习时，您可能会遇到“深度学习”一词。尽管这两个术语是相互关联的，但它们也彼此不同。

机器学习是指一般使用算法和数据来创建自主或半自主机器。与此同时，深度学习是机器学习的一个子集，它将算法分层到有点类似于人脑的“神经网络”中，以便机器可以执行越来越复杂的任务。

 

机器学习的类型

几种不同类型的机器学习为我们每天使用的许多不同的数字商品和服务提供动力。虽然这些不同类型都试图实现类似的目标——创建可以在没有人监督的情况下运行的机器和应用程序——但它们使用的精确方法有些不同。

为了帮助您更好地了解这些类型之间的差异，下面概述了目前主要使用的四种不同类型的机器学习。

1. 监督式机器学习

在监督式机器学习中，算法在标记的数据集上进行训练，这些数据集包括描述每条数据的标签。换句话说，算法输入的数据包括一个“答案键”，描述应该如何解释数据。例如，算法可以输入包含每种花朵类型的标签的花朵图像，以便在输入新照片时能够再次更好地识别花朵。

监督式机器学习通常用于创建用于预测和分类目的的机器学习模型。

2. 无监督机器学习

无监督机器学习使用未标记的数据集来训练算法。在这个过程中，算法被输入的数据不包括标签，这要求它在没有任何外部指导的情况下自行发现模式。例如，算法可能会从社交媒体网站中剔除大量未标记的用户数据，以识别平台上的行为趋势。

研究人员和数据科学家经常使用无监督机器学习来快速有效地识别大型未标记数据集中的模式。

 

3. 半监督机器学习

半监督机器学习使用未标记和标记的数据集来训练算法。通常，在半监督机器学习期间，首先向算法提供少量标记数据以帮助指导其开发，然后输入大量未标记数据以完成模型。例如，可以向算法提供少量的标记语音数据，然后在更大的未标记语音数据集上进行训练，以创建能够进行语音识别的机器学习模型。

半监督机器学习通常用于训练算法，以便在大量标记数据不可用的情况下进行分类和预测。

4. 强化学习

强化学习使用试错法来训练算法和创建模型。在训练过程中，算法在特定环境中运行，然后在每个结果之后获得反馈。就像孩子的学习方式一样，算法慢慢开始了解其环境，并开始优化动作以实现特定结果。例如，可以通过玩连续的国际象棋游戏来优化算法，这允许它从过去玩每个游戏的成功和失败中学习。

强化学习通常用于创建算法，这些算法必须有效地做出一系列决策或行动以实现其目标，例如玩游戏或总结整个文本。

 

机器学习的好处和风险

机器学习已经使我们的世界变得更好。如今，该方法被用于构建模型，这些模型能够识别医学扫描中的癌症生长，检测欺诈交易，甚至帮助人们学习语言。但是，与任何改变社会的新技术一样，也存在潜在的危险需要了解。

以下是机器学习的一些主要优点和潜在缺点：