機器學(xué)習(xí)的基礎(chǔ)圖表?。?）

來源：機器之心、深度學(xué)習(xí)愛好者

[ 導(dǎo)讀 ] 四大會計師事務(wù)所之一的普華永道（PwC）發(fā)布了多份解讀機器學(xué)習(xí)基礎(chǔ)的圖表，其中介紹了機器學(xué)習(xí)的基本概念、原理、歷史、未來趨勢和一些常見的算法。為便于讀者閱讀，我們對這些圖表進(jìn)行了編譯和拆分，分三大部分對這些內(nèi)容進(jìn)行了呈現(xiàn)，希望能幫助你進(jìn)一步擴展閱讀。

一、機器學(xué)習(xí)概覽

1. 什么是機器學(xué)習(xí)？

機器通過分析大量數(shù)據(jù)來進(jìn)行學(xué)習(xí)。比如說，不需要通過編程來識別貓或人臉，它們可以通過使用圖片來進(jìn)行訓(xùn)練，從而歸納和識別特定的目標(biāo)。

2. 機器學(xué)習(xí)和人工智能的關(guān)系

機器學(xué)習(xí)是一種重在尋找數(shù)據(jù)中的模式并使用這些模式來做出預(yù)測的研究和算法的門類。機器學(xué)習(xí)是人工智能領(lǐng)域的一部分，并且和知識發(fā)現(xiàn)與數(shù)據(jù)挖掘有所交集。

3. 機器學(xué)習(xí)的工作方式

①選擇數(shù)據(jù)：將你的數(shù)據(jù)分成三組：訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)。

②模型數(shù)據(jù)：使用訓(xùn)練數(shù)據(jù)來構(gòu)建使用相關(guān)特征的模型。

③驗證模型：使用你的驗證數(shù)據(jù)接入你的模型。

④測試模型：使用你的測試數(shù)據(jù)檢查被驗證的模型的表現(xiàn)。

⑤使用模型：使用完全訓(xùn)練好的模型在新數(shù)據(jù)上做預(yù)測。

⑥調(diào)優(yōu)模型：使用更多數(shù)據(jù)、不同的特征或調(diào)整過的參數(shù)來提升算法的性能表現(xiàn)。

4. 機器學(xué)習(xí)所處的位置

①傳統(tǒng)編程：軟件工程師編寫程序來解決問題。首先存在一些數(shù)據(jù)→為了解決一個問題，軟件工程師編寫一個流程來告訴機器應(yīng)該怎樣做→計算機遵照這一流程執(zhí)行，然后得出結(jié)果。

②統(tǒng)計學(xué)：分析師比較變量之間的關(guān)系。

③機器學(xué)習(xí)：數(shù)據(jù)科學(xué)家使用訓(xùn)練數(shù)據(jù)集來教計算機應(yīng)該怎么做，然后系統(tǒng)執(zhí)行該任務(wù)。首先存在大數(shù)據(jù)→機器會學(xué)習(xí)使用訓(xùn)練數(shù)據(jù)集來進(jìn)行分類，調(diào)節(jié)特定的算法來實現(xiàn)目標(biāo)分類→該計算機可學(xué)習(xí)識別數(shù)據(jù)中的關(guān)系、趨勢和模式。

④智能應(yīng)用：智能應(yīng)用使用人工智能所得到的結(jié)果，如圖是一個精準(zhǔn)農(nóng)業(yè)的應(yīng)用案例示意，該應(yīng)用基于無人機所收集到的數(shù)據(jù)。

5. 機器學(xué)習(xí)的實際應(yīng)用

機器學(xué)習(xí)有很多應(yīng)用場景，這里給出了一些示例，你會怎么使用它？

快速三維地圖測繪和建模：要建造一架鐵路橋，PwC 的數(shù)據(jù)科學(xué)家和領(lǐng)域?qū)＜覍C器學(xué)習(xí)應(yīng)用到了無人機收集到的數(shù)據(jù)上。這種組合實現(xiàn)了工作成功中的精準(zhǔn)監(jiān)控和快速反饋。

增強分析以降低風(fēng)險：為了檢測內(nèi)部交易，PwC 將機器學(xué)習(xí)和其它分析技術(shù)結(jié)合了起來，從而開發(fā)了更為全面的用戶概況，并且獲得了對復(fù)雜可疑行為的更深度了解。

預(yù)測表現(xiàn)最佳的目標(biāo)：PwC 使用機器學(xué)習(xí)和其它分析方法來評估 Melbourne Cup 賽場上不同賽馬的潛力。

二、機器學(xué)習(xí)的演化

幾十年來，人工智能研究者的各個「部落」一直以來都在彼此爭奪主導(dǎo)權(quán)?，F(xiàn)在是這些部落聯(lián)合起來的時候了嗎？他們也可能不得不這樣做，因為合作和算法融合是實現(xiàn)真正通用人工智能（AGI）的唯一方式。這里給出了機器學(xué)習(xí)方法的演化之路以及未來的可能模樣。

1. 五大流派

①符號主義：使用符號、規(guī)則和邏輯來表征知識和進(jìn)行邏輯推理，最喜歡的算法是：規(guī)則和決策樹

②貝葉斯派：獲取發(fā)生的可能性來進(jìn)行概率推理，最喜歡的算法是：樸素貝葉斯或馬爾可夫

③聯(lián)結(jié)主義：使用概率矩陣和加權(quán)神經(jīng)元來動態(tài)地識別和歸納模式，最喜歡的算法是：神經(jīng)網(wǎng)絡(luò)

④進(jìn)化主義：生成變化，然后為特定目標(biāo)獲取其中最優(yōu)的，最喜歡的算法是：遺傳算法

⑤Analogizer：根據(jù)約束條件來優(yōu)化函數(shù)（盡可能走到更高，但同時不要離開道路），最喜歡的算法是：支持向量機

2. 演化的階段

1980 年代

主導(dǎo)流派：符號主義

架構(gòu)：服務(wù)器或大型機

主導(dǎo)理論：知識工程

基本決策邏輯：決策支持系統(tǒng)，實用性有限

1990 年代到 2000 年

主導(dǎo)流派：貝葉斯

架構(gòu)：小型服務(wù)器集群

主導(dǎo)理論：概率論

分類：可擴展的比較或?qū)Ρ龋瑢υS多任務(wù)都足夠好了

2010 年代早期到中期

主導(dǎo)流派：聯(lián)結(jié)主義

架構(gòu)：大型服務(wù)器農(nóng)場

主導(dǎo)理論：神經(jīng)科學(xué)和概率

識別：更加精準(zhǔn)的圖像和聲音識別、翻譯、情緒分析等

3. 這些流派有望合作，并將各自的方法融合到一起

2010 年代末期

主導(dǎo)流派：聯(lián)結(jié)主義+符號主義

架構(gòu)：許多云

主導(dǎo)理論：記憶神經(jīng)網(wǎng)絡(luò)、大規(guī)模集成、基于知識的推理

簡單的問答：范圍狹窄的、領(lǐng)域特定的知識共享

2020 年代+

主導(dǎo)流派：聯(lián)結(jié)主義+符號主義+貝葉斯+……

架構(gòu)：云計算和霧計算

主導(dǎo)理論：感知的時候有網(wǎng)絡(luò)，推理和工作的時候有規(guī)則

簡單感知、推理和行動：有限制的自動化或人機交互

2040 年代+

主導(dǎo)流派：算法融合

架構(gòu)：無處不在的服務(wù)器

主導(dǎo)理論：最佳組合的元學(xué)習(xí)

感知和響應(yīng)：基于通過多種學(xué)習(xí)方式獲得的知識或經(jīng)驗采取行動或做出回答