機(jī)器學(xué)習(xí)的范圍和算法

　　什么是機(jī)器學(xué)習(xí)？機(jī)器學(xué)習(xí)是英文名稱MachineLearning（簡稱ML）的直譯。機(jī)器學(xué)習(xí)涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及人工智能的各個(gè)領(lǐng)域，它主要使用歸納、綜合而不是演繹。相對于傳統(tǒng)的計(jì)算機(jī)工作，我們給它一串指令，然后它遵照這個(gè)指令一步步執(zhí)行下去即可。機(jī)器學(xué)習(xí)根本不接受你輸入的指令，相反，它只接受你輸入的數(shù)據(jù)！也就是說它某種意義上具有了我們?nèi)颂幚硎虑榈哪芰Α?/p>

　　機(jī)器學(xué)習(xí)發(fā)展史

　　機(jī)器學(xué)習(xí)是人工智能研究較為年輕的分支，它的發(fā)展過程大體上可分為4個(gè)時(shí)期。第一階段是在20世紀(jì)50年代中葉到60年代中葉，屬于熱烈時(shí)期。第二階段是在20世紀(jì)60年代中葉至70年代中葉，被稱為機(jī)器學(xué)習(xí)的冷靜時(shí)期。第三階段是從20世紀(jì)70年代中葉至80年代中葉，稱為復(fù)興時(shí)期。機(jī)器學(xué)習(xí)的最新階段始于1986年。機(jī)器學(xué)習(xí)進(jìn)入新階段的重要表現(xiàn)在下列諸方面：

　?。?）機(jī)器學(xué)習(xí)已成為新的邊緣學(xué)科并在高校形成一門課程。它綜合應(yīng)用心理學(xué)、生物學(xué)和神經(jīng)生理學(xué)以及數(shù)學(xué)、自動(dòng)化和計(jì)算機(jī)科學(xué)形成機(jī)器學(xué)習(xí)理論基礎(chǔ)。

　　（2）結(jié)合各種學(xué)習(xí)方法，取長補(bǔ)短的多種形式的集成學(xué)習(xí)系統(tǒng)研究正在興起。特別是連接學(xué)習(xí)符號學(xué)習(xí)的耦合可以更好地解決連續(xù)性信號處理中知識與技能的獲取與求精問題而受到重視。

　?。?）機(jī)器學(xué)習(xí)與人工智能各種基礎(chǔ)問題的統(tǒng)一性觀點(diǎn)正在形成。例如學(xué)習(xí)與問題求解結(jié)合進(jìn)行、知識表達(dá)便于學(xué)習(xí)的觀點(diǎn)產(chǎn)生了通用智能系統(tǒng)SOAR的組塊學(xué)習(xí)。類比學(xué)習(xí)與問題求解結(jié)合的基于案例方法已成為經(jīng)驗(yàn)學(xué)習(xí)的重要方向。

　　（4）各種學(xué)習(xí)方法的應(yīng)用范圍不斷擴(kuò)大，一部分已形成商品。歸納學(xué)習(xí)的知識獲取工具已在診斷分類型專家系統(tǒng)中廣泛使用。連接學(xué)習(xí)在聲圖文識別中占優(yōu)勢。分析學(xué)習(xí)已用于設(shè)計(jì)綜合型專家系統(tǒng)。遺傳算法與強(qiáng)化學(xué)習(xí)在工程控制中有較好的應(yīng)用前景。與符號系統(tǒng)耦合的神經(jīng)網(wǎng)絡(luò)連接學(xué)習(xí)將在企業(yè)的智能管理與智能機(jī)器人運(yùn)動(dòng)規(guī)劃中發(fā)揮作用。（5）與機(jī)器學(xué)習(xí)有關(guān)的學(xué)術(shù)活動(dòng)空前活躍。國際上除每年一次的機(jī)器學(xué)習(xí)研討會(huì)外，還有計(jì)算機(jī)學(xué)習(xí)理論會(huì)議以及遺傳算法會(huì)議。

　　機(jī)器學(xué)習(xí)的范圍

　　機(jī)器學(xué)習(xí)跟模式識別，統(tǒng)計(jì)學(xué)習(xí)，數(shù)據(jù)挖掘，計(jì)算機(jī)視覺，語音識別，自然語言處理等領(lǐng)域有著很深的聯(lián)系。從范圍上來說，機(jī)器學(xué)習(xí)跟模式識別，統(tǒng)計(jì)學(xué)習(xí)，數(shù)據(jù)挖掘是類似的，同時(shí)，機(jī)器學(xué)習(xí)與其他領(lǐng)域的處理技術(shù)的結(jié)合，形成了計(jì)算機(jī)視覺、語音識別、自然語言處理等交叉學(xué)科。因此，一般說數(shù)據(jù)挖掘時(shí)，可以等同于說機(jī)器學(xué)習(xí)。同時(shí)，我們平常所說的機(jī)器學(xué)習(xí)應(yīng)用，應(yīng)該是通用的，不僅僅局限在結(jié)構(gòu)化數(shù)據(jù)，還有圖像，音頻等應(yīng)用。

　　模式識別

　　模式識別=機(jī)器學(xué)習(xí)。兩者的主要區(qū)別在于前者是從工業(yè)界發(fā)展起來的概念，后者則主要源自計(jì)算機(jī)學(xué)科。在著名的《PatternRecognitionAndMachineLearning》這本書中，ChristopherM.Bishop在開頭是這樣說的“模式識別源自工業(yè)界，而機(jī)器學(xué)習(xí)來自于計(jì)算機(jī)學(xué)科。不過，它們中的活動(dòng)可以被視為同一個(gè)領(lǐng)域的兩個(gè)方面，同時(shí)在過去的10年間，它們都有了長足的發(fā)展”。

　　數(shù)據(jù)挖掘

　　數(shù)據(jù)挖掘=機(jī)器學(xué)習(xí)+數(shù)據(jù)庫，記得大學(xué)的最后一學(xué)期開了一門數(shù)據(jù)挖掘的課，何為數(shù)據(jù)挖掘，就是從海量的數(shù)據(jù)中挖掘出有用的數(shù)據(jù)，其實(shí)從某種意義上來說和大數(shù)據(jù)分析很像。數(shù)據(jù)挖掘通常與計(jì)算機(jī)科學(xué)有關(guān)，并通過統(tǒng)計(jì)、在線分析處理、情報(bào)檢索、機(jī)器學(xué)習(xí)、專家系統(tǒng)（依靠過去的經(jīng)驗(yàn)法則）和模式識別等諸多方法來實(shí)現(xiàn)上述目標(biāo)。

　　統(tǒng)計(jì)學(xué)習(xí)

　　統(tǒng)計(jì)學(xué)習(xí)近似等于機(jī)器學(xué)習(xí)。統(tǒng)計(jì)學(xué)習(xí)是個(gè)與機(jī)器學(xué)習(xí)高度重疊的學(xué)科。因?yàn)闄C(jī)器學(xué)習(xí)中的大多數(shù)方法來自統(tǒng)計(jì)學(xué)，甚至可以認(rèn)為，統(tǒng)計(jì)學(xué)的發(fā)展促進(jìn)機(jī)器學(xué)習(xí)的繁榮昌盛。例如著名的支持向量機(jī)算法，就是源自統(tǒng)計(jì)學(xué)科。但是在某種程度上兩者是有分別的，這個(gè)分別在于：統(tǒng)計(jì)學(xué)習(xí)者重點(diǎn)關(guān)注的是統(tǒng)計(jì)模型的發(fā)展與優(yōu)化，偏數(shù)學(xué)，而機(jī)器學(xué)習(xí)者更關(guān)注的是能夠解決問題，偏實(shí)踐，因此機(jī)器學(xué)習(xí)研究者會(huì)重點(diǎn)研究學(xué)習(xí)算法在計(jì)算機(jī)上執(zhí)行的效率與準(zhǔn)確性的提升。

　　計(jì)算機(jī)視覺

　　計(jì)算機(jī)視覺=圖像處理+機(jī)器學(xué)習(xí)。圖像處理技術(shù)用于將圖像處理為適合進(jìn)入機(jī)器學(xué)習(xí)模型中的輸入，機(jī)器學(xué)習(xí)則負(fù)責(zé)從圖像中識別出相關(guān)的模式。隨著機(jī)器學(xué)習(xí)的新領(lǐng)域深度學(xué)習(xí)的發(fā)展，大大促進(jìn)了計(jì)算機(jī)圖像識別的效果，因此未來計(jì)算機(jī)視覺界的發(fā)展前景不可估量。

　　語音識別

　　語音識別=語音處理+機(jī)器學(xué)習(xí)。語音識別就是音頻處理技術(shù)與機(jī)器學(xué)習(xí)的結(jié)合。語音識別技術(shù)一般不會(huì)單獨(dú)使用，一般會(huì)結(jié)合自然語言處理的相關(guān)技術(shù)。目前的相關(guān)應(yīng)用有蘋果的語音助手siri，訊飛等國內(nèi)很多的科技公司和機(jī)構(gòu)。

　　自然語言處理

　　自然語言處理=文本處理+機(jī)器學(xué)習(xí)。自然語言處理技術(shù)主要是讓機(jī)器理解人類的語言的一門領(lǐng)域。在自然語言處理技術(shù)中，大量使用了編譯原理相關(guān)的技術(shù)，例如詞法分析，語法分析等等，除此之外，在理解這個(gè)層面，則使用了語義理解，機(jī)器學(xué)習(xí)等技術(shù)。

　　機(jī)器學(xué)習(xí)算法

　　監(jiān)督式學(xué)習(xí)

　　監(jiān)督式學(xué)習(xí)算法包括一個(gè)目標(biāo)變量（因變量）和用來預(yù)測目標(biāo)變量的預(yù)測變量（自變量）。通過這些變量我們可以搭建一個(gè)模型，從而對于一個(gè)已知的預(yù)測變量值，我們可以得到對應(yīng)的目標(biāo)變量值。重復(fù)訓(xùn)練這個(gè)模型，直到它能在訓(xùn)練數(shù)據(jù)集上達(dá)到預(yù)定的準(zhǔn)確度。屬于監(jiān)督式學(xué)習(xí)的算法有：回歸模型，決策樹，隨機(jī)森林，K鄰近算法，邏輯回歸等。

　　無監(jiān)督式學(xué)習(xí)

　　與監(jiān)督式學(xué)習(xí)不同的是，無監(jiān)督學(xué)習(xí)中我們沒有需要預(yù)測或估計(jì)的目標(biāo)變量。無監(jiān)督式學(xué)習(xí)是用來對總體對象進(jìn)行分類的。它在根據(jù)某一指標(biāo)將客戶分類上有廣泛應(yīng)用。屬于無監(jiān)督式學(xué)習(xí)的算法有：關(guān)聯(lián)規(guī)則，K-means聚類算法等。

　　強(qiáng)化學(xué)習(xí)

　　這個(gè)算法可以訓(xùn)練程序做出某一決定。程序在某一情況下嘗試所有的可能行動(dòng)，記錄不同行動(dòng)的結(jié)果并試著找出最好的一次嘗試來做決定。屬于這一類算法的有馬爾可夫決策過程。

責(zé)任編輯人：CC