什麼是機器學習？

出品 | CDA數據分析研究院，轉載需受權

在百度中輸入「什麼是機器學習？」並進行搜索後，就彷彿打開了一個潘多拉的魔盒，裏面有各類網站，論壇，百度知道，視頻，學術性研究等，固然還會這篇文章要講的，那就是什麼是機器學習等一系列相關的認知文章，和相關視頻的推薦。而這篇文章的目的也就是爲了簡化機器學習的定義和方便人們理解什麼是機器學習。

除了瞭解什麼是機器學習（ML），機器學習的定義以外，咱們還旨在簡要概述機器學習的基本原理，讓機器「思考」的挑戰和侷限性，以及今天深刻了解的一些問題學習（機器學習的「前沿」），以及開發機器學習應用程序的關鍵要點。

本文將分爲如下幾個部分：

• 什麼是機器學習？
• 咱們是如何得出咱們的定義的（也就是：專家研究人員的觀點）
• 機器學習的基本概念
• ML模型的可視化表示
• 咱們如何讓機器學習
• ML的挑戰和侷限概述
• 深度學習簡介

不管你對機器學習是否有興趣，咱們都將把這些資源整合在一塊兒，以幫助你解決有關機器學習的問題 - 因此你能夠查看任何你感興趣的話題，或者按照順序閱讀這篇文章均可以，那麼咱們就從下面的機器學習定義開始：

什麼是機器學習？

「機器學習是讓計算機像人類同樣學習和行動的科學，經過以觀察和與現實世界進行互動的形式向他們提供數據和信息，隨着時間的推移，以自主的方式提升計算機的學習能力。」

上述定義包含了機器學習的理想目標或最終目標，正如該領域的許多研究人員所表達的那樣。本文的目的是爲具備商業頭腦的讀者提供有關機器學習的定義及其工做原理的專家觀點。 機器學習和人工智能在許多人的腦海中具備相同的定義，但讀者也應該認識到他們其中的一些明顯的差別。

咱們是如何得出咱們的定義的：

與任何概念同樣，機器學習的定義可能略有不一樣，具體取決於你向誰問機器學習的概念。咱們梳理了在互聯網中對機器學習的定義，從一些著名的來源中找到五個實用的定義：

1. 「最基本的機器學習是使用算法解析數據，從中學習，而後對世界上的一些事情作出決定或者是預測。」 - Nvidia
2. 「機器學習是一門不須要明確編程就能讓計算機運行的科學。」 - 斯坦福大學
3. 「機器學習基於算法，能夠從數據中進行學習而不依賴於基於規則的編程。」 - 麥肯錫公司
4. 「機器學習算法能夠經過例子從中挑選出執行最重要任務的方法。」 - 華盛頓大學
5. 「機器學習領域旨在回答這樣一個問題：」咱們如何創建可以根據經驗自動改進的計算機系統，以及管理全部學習過程的基本法則是什麼？「 - 卡內基梅隆大學

咱們將這些定義發送給咱們採訪過和/或包含在咱們以前的研究共識中的專家，並要求他們回答他們最喜歡的定義或提供他們本身的定義。咱們的介紹性定義旨在反映不一樣的反應。如下是他們的一些回覆：

蒙特利爾大學Yoshua Bengio博士：

ML不該由否認來定義（所以斷定2和3）。而個人定義以下：

機器學習研究是人工智能研究的一部分，旨在經過數據，觀察和與世界的互動爲計算機提供知識。得到的知識容許計算機可以正確地推廣到新設置。

Danko Nikolic博士，CSC和Max-Planck研究所：

（選擇上面的數字2）：「機器學習是讓計算機在沒有明確編程的狀況下采起行動的科學，而是讓他們本身學習一些技巧。」

路易斯維爾大學Roman Yampolskiy博士：

機器學習是一門讓計算機學習和人類作得更好或更好的科學。

華盛頓大學Emily Fox博士：

我最喜歡的定義是第五個。

機器學的習基本概念

有許多不一樣類型的機器學習算法，天天都會有新發布數百種的算法，而且它們一般按學習風格（即監督學習，無監督學習，半監督學習）或經過形式或功能的類似性（即分類，迴歸，決策樹，聚類，深度學習等）。不管學習風格或功能如何，機器學習算法的全部組合都包含如下內容：

• 表示（一組分類器或計算機理解的語言）
• 評估（又名目標/評分功能）
• 優化（搜索方法;一般是評分最高的分類器;使用現成的和自定義的優化方法）

模型的可視化表示

到目前爲止，概念和要點只能走這麼遠。當人們問「什麼是機器學習？」時，他們常常想看看它是什麼以及它作了什麼。如下是機器學習模型的一些可視化表示。

• 決策樹模型

• 高斯混合模型

• drop神經網絡

• 卷積神經網絡合並色度和亮度

咱們如何讓機器去學習

有許多不一樣的方法讓機器學習，從使用基本決策樹到聚類再到人工神經網絡層（後者已經讓位於深度學習），這取決於你要完成的任務和類型以及你可用的數據量。這種動力在各類應用中發揮做用，如醫療診斷或自動駕駛汽車。

雖然重點一般放在選擇最佳學習算法上，但研究人員發現，一些最有趣的問題沒有可用的機器學習算法的執行標準。大多數狀況下，這是訓練數據的問題，但這也發生在使用機器學習在新領域上。

在處理實際應用程序時所作的研究一般會推進該領域的進展，緣由有兩個：1.發現現有方法的界限和侷限性的趨勢2.研究人員和開發人員與領域專家合做，利用時間和專業知識來提升系統性能。

有時這也是由「意外」發生的。咱們可能會考慮模型集合或許多學習算法的組合來提升準確性，但有一個例子。2009年Netflix Price的團隊發現，當他們將學習者與其餘團隊的學習者結合起來時，他們取得了最好的成績，從而改進了推薦算法。

在商業和其餘領域的應用方面，一個重要的觀點（基於對該領域專家的訪談和對話）是，機器學習不只僅是一個常常被誤解的概念，甚至與自動化有關，這是一個常常被誤解的概念。若是你這樣想，你必定會錯過機器學習能夠提供的寶貴看法和由此產生的機會（從新思考整個商業模式，就像製造業和農業等所作的那樣）。

學習的機器對人類頗有用，由於它們具備全部的處理能力，可以更快地突出顯示或找到人類可能錯過的大數據（或其餘）中的模式，不然人類就會錯過這些模式。機器學習是一種工具，可用於加強人類解決問題的能力，並從普遍的問題中作出明智的推斷，從幫助診斷疾病到提出全球氣候變化的解決方案。

挑戰與侷限

「機器學習沒法從無到有......它的做用是從更少的東西中得到更多。」 - 華盛頓大學Pedro Domingo博士

機器學習中兩個最大的，歷史性的和持續的問題都涉及過分擬合（其中模型表現出對訓練數據的偏見，而且不會推廣到新數據，和/或變化，即在訓練新數據時學習隨機事物）和維度（具備更多特徵的算法在更高/更多維度上工做，使得理解數據更加困難）。在某些狀況下，訪問足夠大的數據集也是主要問題。

機器學習初學者中最多見的錯誤之一是成功地測試訓練數據併產生成功的假象; Domingo（和其餘人）強調在測試模型時保持一些數據集獨立的重要性，而且僅使用該保留的數據來測試所選模型，而後對整個數據集進行學習。

當一個學習算法（即學習者）不起做用時，一般更快的成功之路是爲機器提供更多的數據，其可用性現已成爲近期機器學習和深度學習算法進步的主要驅動因素。 然而，這可能致使可擴展性問題，在可擴展性中，咱們有更多的數據，可是否有時間瞭解數據仍然是一個問題。

就目的而言，機器學習自己並非目的或解決方案。此外，嘗試將其用做一攬子解決方案即「BLANK」並非一項有用的作法; 相反，帶着一個問題或目標來到談判桌上每每最好由一個更具體的問題來驅動 - 「BLANK」。度學習與神經網絡的現代發展

深度學習涉及機器算法的研究和設計，用於在多個抽象級別（安排計算機系統的方式）學習數據的良好表示。最近經過DeepMind，Facebook和其餘機構進行深度學習進行了宣傳，突顯了它做爲機器學習的「下一個前沿」。

機器學習國際會議（ICML）被普遍認爲是世界上最重要的會議之一。該會議在今年6月在紐約市舉行，聚集了來自世界各地的研究人員齊聚一堂，他們致力於解決當前深度學習中的挑戰：

1. 小數據集中的無監督學習
2. 基於模擬的學習和對現實世界的可轉移性

深度學習系統在過去十年中在諸如對象檢測和識別，文本到語音，信息檢索等領域取得了巨大的進步。研究如今專一於開發數據高效的機器學習，也就是在個性化醫療、機器人強化學習、情緒分析等前沿領域，開發更搞笑的深度學習系統，在更短的時間和更少的數據下，以一樣的性能進行跟高效的學習。

應用機器學習的關鍵

下面是一系列應用機器學習的最佳實踐和概念，咱們已經從咱們對播客系列的採訪以及本文末尾引用的選擇來源進行了整理。咱們但願這些原則中的一些將闡明如何使用ML，以及如何避免公司和研究人員在啓動ML相關項目時可能容易受到的一些常見陷阱。

• 能夠說，在成功的機器學習項目中最重要的因素是用來描述數據（特定於領域）的特性，並具備足夠的數據來訓練你的模型
• 大多數狀況下，當算法表現不佳時，這是因爲訓練數據存在問題（即數據量不足/數據誤差;數據噪聲較大;或者描述數據的功能不足以作出決策
• 「簡單並不意味着準確性」 - 根據多明戈的說法，模型的參數數量和過分擬合的趨勢之間沒有特定的聯繫
• 若是可能的話，應該儘量的得到實驗數據（而不是咱們沒法控制的觀察數據）（例如，從向隨機觀衆進行抽樣發送不一樣的電子郵件中收集的數據）
• 不管咱們是否標記數據因果關係或相關性，更重要的都是預測咱們行爲的影響
• 始終留出一部分訓練數據集進行交叉驗證; 你但願你選擇的分類器或學習算法在新數據上表現良好