五分鐘向長輩解釋機器學習，這樣最通俗！

全文共2746字，預計學習時長5分鐘

什麼是機器學習呢？若是是對此一竅不通的長輩來問你這個問題，你該如何回答？本文將用最簡單的詞彙來嘗試解釋這一話題，包括每一個人都應該知道的最主要也是最重要的部分。

機器學習是一個旨在讓計算機在沒有被明確編程的前提下掌握學習能力的研究領域。這是一個正在迅速成長的領域，可讓計算機進一步模仿人類。

機器學習不一樣於傳統計算機科學。在傳統中，計算機須要程序員準確地告訴它去作什麼以及要怎麼作，能夠說是很是笨拙了。然而有了機器學習，咱們只須要在計算機中輸入大量數據，就能夠進行分析，並輸出結果了。

好比說，你知道怎麼在Facebook上發佈照片吧。當你發佈照片時，Facebook會提醒你標記一些可能在照片中出現了的人。若是你不瞭解Facebook，那麼再舉一個更常見的例子，你在瀏覽Netflix時，網頁會推薦一些可能喜歡的劇集或電影。其實，這就有點機器學習的意味了。

再好比說，機器學習在自動駕駛汽車上發揮着重要做用。汽車會收集大量的數據來學習怎樣開得更好更安全。顯而易見的是，機器學習將在將來的生活中扮演重要的角色。

機器學習不是什麼

首先，機器學習並非像你在電影中看到的那樣，機器人想要摧毀人類。當人們聽到人工智能時，每每首先會想到「終結者」。其實，機器學習並非人工智能，它只是人工智能的一個子領域。機器學習已經通過了至關長一段時間的發展。其起源能夠追溯到上世紀50年代晚期。當時，IBM的亞瑟·塞繆爾（Arthur L. Samuel）設計了第一款會下西洋棋的機器學習應用。

解釋邪惡人工智能時「必備」的終結者圖片

深度學習多是你常常聽到的另外一個時髦詞彙。深度學習的發展歷史和機器學習同樣長，可是直到上世紀80年代深度學習才獲得普遍重視。最終，世界科技巨頭如Facebook、谷歌和微軟紛紛大力投資深度學習的發展，繼而引起了人工智能革命。谷歌翻譯、蘋果智能助手Siri等等，都是深度學習的產物。

請放心，在能夠預見的將來，即便機器學習或人工智能的發展失去控制，也不會對人類社會形成威脅。

怎樣讓機器學習

看到這裏，你可能在想，那麼究竟是怎樣讓機器學習的呢？計算機是怎樣收集並理解信息的呢？其實，在這一過程當中，咱們會利用不少數學算法來幫助獲得想要的結果。

機器學習中的數學

線性代數是數學的一個研究領域，被公認爲是深刻了解機器學習的前提。線性代數的內容很是普遍，包含不少晦澀難懂的理論和發現。可是其基本方法和符號對機器學習研究者來講是很是有用的。因此，須要有堅實的線性代數知識做爲基礎

數學對學習機器學習來講是極其重要的，由於咱們須要在選擇算法時考慮其準確性、訓練時間以及其餘性能。數學能夠幫助咱們找到一種讓機器學習的最佳方法。除了線性代數，機器學習科學家/工程師也須要掌握微積分、算法、機率論和統計學等數學概念。在機器學習中，Python是最經常使用的一種編程語言。

聯想到大腦

大腦會將世界上各類各樣的信息收集起來造成咱們對現實的見解。計算機也須要作到這一點。神經網絡就承擔了這一職責。

神經網絡是讓計算機模擬人類大腦最經常使用的方法。人類大腦由將近10億個神經細胞，也就是神經元構成。人類大腦很是擅長解決問題。在解決問題時，每一個神經元都會負責解決其中的一小部分。這些神經元能夠收集和傳遞信號，就像一個電網。

人類大腦神經元

在知道了計算機神經網絡是受到人類大腦結構啓發設計的以後，你可能想知道這些神經元是怎麼鏈接在一塊兒的。每一個神經元都會接收輸入，而後產生輸出。輸入節點（輸入層）爲神經網絡提供來自外界的信息，就比如是你的眼睛看到並收集信息後傳遞給大腦。

輸出節點（輸出層）則負責將信息反饋給外界。假設下圖中的網絡將被訓練用來識別數字。一個數字從輸入層輸入，通過隱藏層，而後在輸出層以被識別出的數字輸出。隱藏層的神經元會互相交流各自獲取的信息。它們利用這些信息來識別輸入的數字是什麼。每一層都會影響到下一層。

當訓練計算機神經網絡作其餘事情，好比說音頻識別時，則更爲神奇。計算機能夠學習對演講進行文法分析、分段音頻以及篩選出不一樣的聲音。這些聲音被組合起來，構成特定的音節、單詞、詞組等。在構建網絡時，你須要知道：

· 卷積網絡每每用來作圖像識別

· 長短時記憶網絡每每用來作演講識別

機器學習還有多種方法，好比監督學習、非監督學習和強化學習，是常用的三種方法。本文再也不詳述。簡單來講，神經網絡使得計算機可以接收信息，將信息分紅易於理解的部分，最後輸出它能得出的最接近的結果。

挑戰與侷限性

雖然機器學習很是強大，但仍有不少侷限性，克服這些侷限性將幫助機器學習技術更上一層樓。

首先，機器學習算法須要大量的存儲數據用於訓練，而給這些數據作標記是一個很是繁瑣的過程。輸入機器的數據必須是被標記過的，不然機器將沒法變得智能。算法僅能開發機器的決策能力，並與其按要求操縱的環境保持行爲一致。

另外一個問題就是機器沒法解釋它本身。這就使得你很難知道它爲何作出某個決定。

最後一個也是最重要的一個侷限性就是很難避免誤差。透明性相當重要，公正的決策能夠幫助創建信任。好比說，面部識別在社交媒體和執法中發揮着重要的做用。可是面部識別提供的數據集中的誤差會使得結果不許確。若是說算法有誤差，而且數據集和訓練數據是不平衡的，那麼最終輸出的結果將會放大數據集中的區別和誤差。

將來是機器的

機器學習是人工智能發展的基礎，它的將來是不可阻擋的。機器學習已經成爲了現代生活的一部分。

若是你使用Spotify聽音樂，你會發現它會根據你聽的歌曲給你作每日推薦。亞馬遜也會根據客戶的購物習慣，學習如何給客戶推薦他們可能感興趣的商品。相似於亞馬遜的Alexa，蘋果的Siri以及微軟的Cortona這樣的虛擬助理，都是基於機器學習來理解人們說的話並和他們交互的。

機器學習在商業中也獲得了普遍應用。它能夠自動化一些一般須要人類操做的工做。不少公司會在客戶服務部門使用聊天機器人和服務機器人。這些機器人會學習如何回覆客戶，爲客戶提供智能化的、有用的幫助。

還有機器學習在自動駕駛汽車和卡車上的應用。車輛須要學會識別路上的障礙物，如停車標誌、暴風雪、路中間的球、其餘車輛等，並作出相應的反應。收集的信息越多，它們就表現得越像人類。好比說，它們能夠識別出一個被雪覆蓋的停車標誌。

機器學習可讓咱們的生活變得更加便利。人們不斷地提出各類利用機器學習的方法，一場工業革命正在悄然發生。至於當機器學習逐漸引導咱們走向真正的人工智能技術時，人類的生活會變成什麼樣，只能靠想象了。

留言 點贊 關注

咱們一塊兒分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 「讀芯術」

（添加小編微信：dxsxbb，加入讀者圈，一塊兒討論最新鮮的人工智能科技哦～）