理解五個基本概念，讓你更像機器學習專家

摘要： 這篇文章主要講述了機器學習的相關內容，闡述了機器學習的主要意義和造成過程。區別了機器學習與AI、深度學習、神經網絡等專業詞彙。

大多數人可能對機器學習有點恐懼或困惑。 腦子中會有它究竟是什麼,它有什麼發展方向,我如今能夠經過它掙錢嗎等等這樣的問題。

這些問題的提出都是有依據的。事實上，你可能沒有意識到本身其實多年來一直在訓練機器學習模型。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現一組面孔並要求你識別它們嗎？其實，經過標記這些照片，你正在訓練面部識別模型去識別新面孔。恭喜你，如今能夠說你有訓練機器學習模型的經驗了！但在此以前，請閱讀這些機器學習基礎知識，以便你能夠準確回答任何後續問題。

1）機器學習能夠預測

若是你只是在圖片中標記朋友的面孔，那就不是在用機器學習模型。若是你上傳了一張新照片系統立刻告訴你每一個人是誰，那你就是應用了機器學習模型。機器學習的主要意義在於根據圖案模型和通過訓練的其餘因素來預測事物。它能夠預測任何事物，如要基於地理位置和臥室數量預測房價，基於一年中的時間和天氣的變化預測航班是否會延誤，依據圖片中的人物特色進行人像識別等等。

2）機器學習須要訓練

你必須告訴機器學習模型它試圖預測的是什麼。想一想一個孩子是如何學習的，他們第一次看到香蕉，他們不知道它是什麼。而後你告訴他們這是一個香蕉。下次他們看到另外一個，他們會把它識別爲香蕉，機器學習就是以相似的方式工做。你能夠儘量多地展現香蕉的照片，告訴它這是香蕉，而後用未經訓練的香蕉圖片進行測試。但這是一個過分的簡化的方法，由於整個過程遺漏了告訴它什麼不是香蕉的部分，除此以外還要給它展現不一樣種類不一樣顏色、不一樣角度的香蕉圖片等等。

3）達到80％的準確度就能夠認爲是成功的

咱們尚未達到經過機器學習平臺識別圖片中的香蕉達到100％的準確率技術的地步，但也不要緊，事實證實，人類去識別也不是100％準確。業界的潛規則是達到80％準確度的模型就是成功的。你們能夠思考一下，在你收藏的圖片中正確識別800,000張是很是有用的，雖然可能還有錯誤的200,000張，但這已經節省了80％的時間。毋庸置疑，這是很是有價值的。假如我能夠用它使你的生產力提升如此之多，你確定會付我不少錢。而事實證實我能夠用機器學習提升你的生產力。（2018年更新：80％規則改成90％規則。）

4）機器學習不一樣於AI，深度學習或神經網絡

人們常常隨意拋出以上這些術語，聽起來像專家，但其中有很大差別。

AI-人工智能是指在完成特定任務時與人類同樣好（或優於人類）的計算機。它也能夠指一個能夠根據大量輸入作出決策的機器人，與終結者或C3PO不一樣。它是一個很是普遍的術語，不是頗有特指性。

ML-機器學習是實現AI的一種方法。就是經過解析數據集對某事作出預測。ML平臺能夠經過許多不一樣的方式運行訓練集來預測事物。

NL-神經網絡是實現機器學習模型預測事物的方式之一。神經網絡的工做有點像人的大腦，經過大量的訓練來調整本身，以瞭解香蕉應該是什麼樣子。這個過程建立了很是深的節點層。

5）在AI變得有自我意識以前，咱們還有很長的路要走

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

    我並不擔憂機器學習接管地球。主要是由於若是你曾構建過一個機器學習模型，就會明白它須要依賴你來告訴它究竟該作什麼。即便你給出明確的指示，它一般也會出錯。你必須對這些體系很是清晰明確，讓它忽然變化的可能性降到最低。即便是一個顯示帶有單詞的框的簡單網頁，也須要你準確地告訴它該框出現的位置，形狀，顏色，如何在不一樣的瀏覽器上工做，如何在不一樣的設備上正確顯示等等。

 原文連接