這篇文章主要講述了機器學(xué)習(xí)的相關(guān)內(nèi)容，闡述了機器學(xué)習(xí)的主要意義和形成過程。區(qū)別了機器學(xué)習(xí)與AI、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等專業(yè)詞匯。

 

 

大多數(shù)人可能對機器學(xué)習(xí)有點恐懼或困惑。 腦子中會有它到底是什么,它有什么發(fā)展方向,我現(xiàn)在可以通過它掙錢嗎等等這樣的問題。

這些問題的提出都是有依據(jù)的。事實上，你可能沒有意識到自己其實多年來一直在訓(xùn)練機器學(xué)習(xí)模型。你看過蘋果手機或者是Facebook上的照片吧? 你知道它如何向你展示一組面孔并要求你識別它們嗎?其實，通過標記這些照片，你正在訓(xùn)練面部識別模型去識別新面孔。恭喜你，現(xiàn)在可以說你有訓(xùn)練機器學(xué)習(xí)模型的經(jīng)驗了!但在此之前，請閱讀這些機器學(xué)習(xí)基礎(chǔ)知識，以便你可以準確回答任何后續(xù)問題。

1)機器學(xué)習(xí)可以預(yù)測

如果你只是在圖片中標記朋友的面孔，那就不是在用機器學(xué)習(xí)模型。如果你上傳了一張新照片系統(tǒng)馬上告訴你每個人是誰，那你就是應(yīng)用了機器學(xué)習(xí)模型。機器學(xué)習(xí)的主要意義在于根據(jù)圖案模型和經(jīng)過訓(xùn)練的其他因素來預(yù)測事物。它可以預(yù)測任何事物，如要基于地理位置和臥室數(shù)量預(yù)測房價，基于一年中的時間和天氣的變化預(yù)測航班是否會延誤，依據(jù)圖片中的人物特點進行人像識別等等。

2)機器學(xué)習(xí)需要訓(xùn)練

你必須告訴機器學(xué)習(xí)模型它試圖預(yù)測的是什么。想想一個孩子是如何學(xué)習(xí)的，他們第一次看到香蕉，他們不知道它是什么。然后你告訴他們這是一個香蕉。下次他們看到另一個，他們會把它識別為香蕉，機器學(xué)習(xí)就是以類似的方式工作。你可以盡可能多地展示香蕉的照片，告訴它這是香蕉，然后用未經(jīng)訓(xùn)練的香蕉圖片進行測試。但這是一個過度的簡化的方法，因為整個過程遺漏了告訴它什么不是香蕉的部分，除此之外還要給它展示不同種類不同顏色、不同角度的香蕉圖片等等。

3)達到80%的準確度就可以認為是成功的

我們還沒有達到通過機器學(xué)習(xí)平臺識別圖片中的香蕉達到100%的準確率技術(shù)的地步，但也沒關(guān)系，事實證明，人類去識別也不是100%準確。業(yè)界的潛規(guī)則是達到80%準確度的模型就是成功的。大家可以思考一下，在你收藏的圖片中正確識別800,000張是非常有用的，雖然可能還有錯誤的200,000張，但這已經(jīng)節(jié)省了80%的時間。毋庸置疑，這是非常有價值的。假如我可以用它使你的生產(chǎn)力提高如此之多，你肯定會付我很多錢。而事實證明我可以用機器學(xué)習(xí)提高你的生產(chǎn)力。(2018年更新：80%規(guī)則改為90%規(guī)則。)

4)機器學(xué)習(xí)不同于AI，深度學(xué)習(xí)或神經(jīng)網(wǎng)絡(luò)

人們經(jīng)常隨意拋出以上這些術(shù)語，聽起來像專家，但其中有很大差異。

AI-人工智能是指在完成特定任務(wù)時與人類一樣好(或優(yōu)于人類)的計算機。它也可以指一個可以根據(jù)大量輸入做出決策的機器人，與終結(jié)者或C3PO不同。它是一個非常廣泛的術(shù)語，不是很有特指性。

ML-機器學(xué)習(xí)是實現(xiàn)AI的一種方法。就是通過解析數(shù)據(jù)集對某事做出預(yù)測。ML平臺可以通過許多不同的方式運行訓(xùn)練集來預(yù)測事物。

NL-神經(jīng)網(wǎng)絡(luò)是實現(xiàn)機器學(xué)習(xí)模型預(yù)測事物的方式之一。神經(jīng)網(wǎng)絡(luò)的工作有點像人的大腦，通過大量的訓(xùn)練來調(diào)整自己，以了解香蕉應(yīng)該是什么樣子。這個過程創(chuàng)建了非常深的節(jié)點層。

5)在AI變得有自我意識之前，我們還有很長的路要走

 

 

https://xkcd.com/1319/%29

我并不擔心機器學(xué)習(xí)接管地球。主要是因為如果你曾構(gòu)建過一個機器學(xué)習(xí)模型，就會明白它需要依賴你來告訴它究竟該做什么。即使你給出明確的指示，它通常也會出錯。你必須對這些體系非常清晰明確，讓它突然變化的可能性降到最低。即使是一個顯示帶有單詞的框的簡單網(wǎng)頁，也需要你準確地告訴它該框出現(xiàn)的位置，形狀，顏色，如何在不同的瀏覽器上工作，如何在不同的設(shè)備上正確顯示等等。

文章原標題《Understand these 5 basic concepts to sound like a machine learning expert》

作者：Aaron Edell 譯者：么凹

標簽： 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。