電腦沒有接管,但他們每天都變得更聰明
最簡單的說,機器學習(ML)是機器(計算機)的編程,因此它可以通過使用和分析數據 (信息)獨立執行該任務來執行所請求的任務, 而無需來自人類開發人員的額外特定輸入 。
機器學習101
“機器學習”一詞是1959年在IBM實驗室由人工智能 (AI)和電腦遊戲的先驅亞瑟塞繆爾創造的。 因此,機器學習是人工智能的一個分支。 塞繆爾的前提是顛倒時間的計算模型,停止向計算機學習東西。
相反,他希望計算機自己開始計算事情,而不需要輸入甚至最小的信息。 然後,他認為,電腦不會執行任務,但最終可以決定執行哪些任務以及何時執行任務。 為什麼? 因此,計算機可以減少人類在任何特定領域需要完成的工作量。
機器學習的工作原理
機器學習通過使用算法和數據來工作。 算法是一組指令或準則,用於告訴計算機或程序如何執行任務。 ML中使用的算法收集數據,識別模式,並使用數據分析來調整自己的程序和功能以完成任務。
ML算法使用規則集,決策樹,圖形模型,自然語言處理和神經網絡(僅舉幾例)來自動化處理數據以做出決策和執行任務。 雖然ML可能是一個複雜的話題,但Google的可教育機器提供了一個簡單的動手演示ML如何工作。
今天使用的最強大的機器學習形式稱為深度學習 ,它基於大量的數據構建了一個稱為神經網絡的複雜數學結構。 神經網絡是ML和AI中的算法集合,其模仿人類大腦中的神經細胞和神經系統處理信息的方式。
人工智能與機器學習與數據挖掘
為了最好地理解AI,ML和數據挖掘之間的關係,有必要考慮一組不同尺寸的雨傘。 人工智能是最大的保護傘。 ML傘尺寸較小,可放在AI傘下。 數據挖掘傘是最小的,適合ML傘下。
- 人工智能是計算機科學的一個分支,旨在通過使用基於人類智能的推理和決策技術,使計算機能夠以更“智能”和“類人”的方式執行任務。
- ML是人工智能中的一類計算機,專注於編程機器(計算機)以學習(收集必要的數據或示例),以更自動化的方式進行數據驅動的智能決策。
- 數據挖掘使用統計信息,ML,AI和大量信息數據庫來查找模式,提供洞察,創建分類,識別問題並提供詳細的數據分析。
機器學習可以做什麼(並且已經做到了)
計算機在幾分之一秒內分析大量信息的能力使ML在許多行業中非常有用,其中時間和準確性至關重要。
- 醫學: ML技術正在為醫療領域提供一系列解決方案,包括幫助急診科醫生更快診斷患有不尋常症狀的患者。 醫生可以將病人的症狀列表輸入程序並使用ML,該程序可以從醫學文獻和互聯網上掃描數万億兆字節的信息,以返回可能的診斷列表並建議在創紀錄的時間內進行測試或治療。
- 教育: ML被用於創建適合學生學習需求的教育工具,例如虛擬學習助手和更具交互性的電子教科書。 這些工具使用ML來發現學生使用短測驗和練習練習所理解的概念和技能。 然後,這些工具提供短視頻,附加示例和背景材料,以幫助學生學習所需的技能或概念。
- 汽車: ML也是自動駕駛汽車(也稱為無駕駛汽車或自動駕駛汽車)新興領域的關鍵組成部分。 運行自動駕駛汽車的軟件在現實道路測試和模擬過程中使用ML來檢測道路狀況(如結冰道路)或識別道路障礙並學習適當的駕駛任務以安全駕駛這些情況。
你可能已經很多次遇到ML而沒有意識到它。 ML技術的一些更常見的用途包括實際的語音識別( 三星的Bixby ,蘋果的Siri ,以及現在在PC上標準化的許多對話文本程序),為您的電子郵件過濾垃圾郵件,構建新聞源,檢測欺詐,個性化購物推薦,並提供更有效的網絡搜索結果。
ML甚至會涉及您的Facebook供稿。 當你喜歡或經常點擊朋友的帖子時,幕後算法和ML會隨著時間的推移從你的行為中“學習”,以優先考慮你的新聞動態中的某些朋友或頁面。
什麼機器學習不能做
但是,ML可以做什麼是有限的。 例如,在不同行業中使用ML技術需要人工進行大量的開發和編程,以專門針對該行業所需任務類型的程序或系統。 例如,在我們上面的醫療例子中,急診科使用的ML程序是專門為人類醫學開發的。 目前不可能採取確切的計劃,並直接在獸醫急救中心實施。 這種過渡需要人類程序員進行廣泛的專業化和開發,以創建一個能夠完成獸醫或動物醫學任務的版本。
它還需要難以置信的大量數據和示例來“學習”制定決策和執行任務所需的信息。 毫無疑問,ML程序在數據解釋和象徵主義鬥爭以及數據結果中的某些類型關係(如原因和結果)方面也非常符合實際。
然而,持續的進步使ML更多地成為每天創造更智能電腦的核心技術。