機器學習是算法的勝利？看懂人工智慧沒那么簡單！
“機器學習”這個術語是亞瑟·塞繆爾于1959年創造的，他是美國計算機游戲和人工智能領域的先驅，并表示“它為計算機提供了學習的能力而無需明確編程”。
1997年，Tom Mitchell給出了一個“適當的”數學和關系定義，“據說計算機程序可以從經驗E中學習一些任務T和一些性能測量P，如果它在T上的表現，則通過 P，隨著經驗E而提高。
機器學習是最新的流行語。 它值得，因為它是計算機科學最有趣的子領域之一。 那么機器學習究竟意味著什么呢？
讓我們試著以外行的方式理解機器學習。 考慮一下你是想把紙扔到垃圾箱里。
在第一次嘗試之后，你意識到你已經施加了太大的力量。第二次嘗試后，您會發現距離目標更近，但需要增加投射角度。這里發生的事情基本上是每次投擲后我們都在學習并改進最終結果。我們的計劃是從我們的經驗中學習。
這意味著機器學習所涉及的任務提供了基本的操作定義，而不是在認知術語中定義該領域。這是艾倫·圖靈在他的論文“計算機器和智能”中提出的建議，其中“機器能思考嗎？”的問題被“機器能做我們（作為思考實體）能做什么？”這個問題所取代。
在數據分析領域，機器學習用于設計復雜的模型和算法，使其有助于預測;在商業用途中，這被稱為預測分析。這些分析模型允許研究人員，數據科學家，工程師和分析師通過學習數據集（輸入）中的歷史關系和趨勢，“產生可靠，可重復的決策和結果”并發現“隱藏的見解”。
假設您決定查看度假優惠。 您瀏覽旅行社網站并搜索酒店。 當您查看特定酒店時，在酒店描述的下方有一個標題為“您可能也喜歡這些酒店”的部分。 這是機器學習的常見用例，稱為“推薦引擎”。 同樣，許多數據點用于訓練模型，以便根據他們已經了解的關于您的大量信息來預測將在該部分下向您展示的最佳酒店。
因此，如果您希望程序預測繁忙交叉點（任務T）的流量模式，您可以通過機器學習算法運行它，其中包含有關過去流量模式的數據（經驗E），如果已成功“學習” “，它將更好地預測未來的交通模式（績效指標P）。
然而，許多現實世界問題的高度復雜性通常意味著發明專門的算法，每次都能完美地解決它們，即使不是不可能，也是不切實際的。機器學習問題的例子包括，“這是癌癥嗎？”，“這些人中哪一個是彼此的好朋友？”，“這個人會喜歡這部電影嗎？”這樣的問題是機器學習的優秀目標，事實上機器學習已經成功地應用了這些問題。
機器學習的分類
機器學習實施分為三大類，取決于學習系統可用的學習“信號”或“響應”的性質，如下：
1.監督學習：當算法從示例數據和相關的目標響應中學習時，可以包含數值或字符串標簽，例如類或標簽，以便稍后在用新示例提出時預測正確的響應屬于監督學習類別。 這種方法確實類似于在老師的監督下的人類學習。 教師為學生記憶提供了很好的例子，然后學生從這些具體的例子中得出一般規則。
2.無監督學習：當算法從沒有任何相關響應的簡單示例中學習時，留給算法自己確定數據模式。 這種類型的算法傾向于將數據重構為其他內容，例如可能表示類的新特征或新的一系列不相關值。 它們非常有用，可以讓人們深入了解數據的含義以及監督機器學習算法的新的有用輸入。
作為一種學習，它類似于人類用來確定某些對象或事件來自同一類的方法，例如通過觀察對象之間的相似程度。 您在網絡上以營銷自動化的形式找到的一些推薦系統是基于這種類型的學習。
3.強化學習：當您使用缺少標簽的示例呈現算法時，如在非預期學習中。 但是，您可以根據算法提出的解決方案附帶正反饋或負反饋的示例，該增強學習類別與算法必須做出決策的應用程序相關聯（因此產品是規范性的，而不僅僅是描述性的， 與無監督學習一樣），決定帶來后果。 在人類世界中，就像通過反復試驗來學習一樣。
錯誤有助于你學習，因為他們有一個懲罰（成本，時間的浪費，后悔，痛苦等），教你一定的行動方式比其他人更不可能取得成功。 強化學習的一個有趣例子發生在計算機學習自己玩視頻游戲時。
在這種情況下，應用程序向算法提供特定情況的示例，例如讓游戲玩家陷入迷宮而避開敵人。 該應用程序讓算法知道它所采取的行動的結果，并且在試圖避免它發現的危險和追求生存的過程中進行學習。 您可以了解Google DeepMind公司如何創建一個強化學習計劃，播放舊的Atari視頻游戲。 觀看視頻時，請注意該計劃最初是如何笨拙和不熟練的，但通過培訓可以穩步提高，直到成為冠軍。
4.半監督學習：給出不完整的訓練信號：訓練集，其中一些（通常很多）目標輸出丟失。 這個原理的特殊情況稱為Transduction，其中整個問題實例集在學習時已知，除了缺少部分目標。
根據所需的輸出進行分類
當考慮機器學習系統的期望輸出時，出現機器學習任務的另一種分類：
分類：當輸入被分成兩個或更多個類時，學習者必須產生一個模型，該模型將看不見的輸入分配給這些類的一個或多個（多標簽分類）。這通常以受監督的方式解決。垃圾郵件過濾是一種分類示例，其中輸入是電子郵件（或其他）郵件，類別是“垃圾郵件”和“非垃圾郵件”。
回歸：這也是一個監督問題，即輸出是連續的而不是離散的情況。
聚類：將一組輸入分組。與分類不同，這些組事先是未知的，因此通常是無人監督的任務。
當通過典型方法無法解決問題時，機器學習就會出現。
人工智能的實踐模型
如何來動手實踐一下自己的掌握程度呢？可以試試谷歌的AIY視覺套件——AIY Vision Kit。
AIY Vision Kit 是AIY Projects的第二個產品。谷歌AIY Vision Kit（視覺套件）可以處理圖像識別和計算機視覺, 支持離線識別上千種常見物體（動物、植物）以及人臉、面部表情等。
VisionBonnet是該項目的核心，采用Intel Movidius MA2450芯片。 這種低功率視覺處理單元能夠運行神經網絡模型來識別物體。
1997年，Tom Mitchell給出了一個“適當的”數學和關系定義，“據說計算機程序可以從經驗E中學習一些任務T和一些性能測量P，如果它在T上的表現，則通過 P，隨著經驗E而提高。
機器學習是最新的流行語。 它值得，因為它是計算機科學最有趣的子領域之一。 那么機器學習究竟意味著什么呢？
讓我們試著以外行的方式理解機器學習。 考慮一下你是想把紙扔到垃圾箱里。
在第一次嘗試之后，你意識到你已經施加了太大的力量。第二次嘗試后，您會發現距離目標更近，但需要增加投射角度。這里發生的事情基本上是每次投擲后我們都在學習并改進最終結果。我們的計劃是從我們的經驗中學習。
這意味著機器學習所涉及的任務提供了基本的操作定義，而不是在認知術語中定義該領域。這是艾倫·圖靈在他的論文“計算機器和智能”中提出的建議，其中“機器能思考嗎？”的問題被“機器能做我們（作為思考實體）能做什么？”這個問題所取代。
在數據分析領域，機器學習用于設計復雜的模型和算法，使其有助于預測;在商業用途中，這被稱為預測分析。這些分析模型允許研究人員，數據科學家，工程師和分析師通過學習數據集（輸入）中的歷史關系和趨勢，“產生可靠，可重復的決策和結果”并發現“隱藏的見解”。
假設您決定查看度假優惠。 您瀏覽旅行社網站并搜索酒店。 當您查看特定酒店時，在酒店描述的下方有一個標題為“您可能也喜歡這些酒店”的部分。 這是機器學習的常見用例，稱為“推薦引擎”。 同樣，許多數據點用于訓練模型，以便根據他們已經了解的關于您的大量信息來預測將在該部分下向您展示的最佳酒店。
因此，如果您希望程序預測繁忙交叉點（任務T）的流量模式，您可以通過機器學習算法運行它，其中包含有關過去流量模式的數據（經驗E），如果已成功“學習” “，它將更好地預測未來的交通模式（績效指標P）。
然而，許多現實世界問題的高度復雜性通常意味著發明專門的算法，每次都能完美地解決它們，即使不是不可能，也是不切實際的。機器學習問題的例子包括，“這是癌癥嗎？”，“這些人中哪一個是彼此的好朋友？”，“這個人會喜歡這部電影嗎？”這樣的問題是機器學習的優秀目標，事實上機器學習已經成功地應用了這些問題。
機器學習的分類
機器學習實施分為三大類，取決于學習系統可用的學習“信號”或“響應”的性質，如下：
1.監督學習：當算法從示例數據和相關的目標響應中學習時，可以包含數值或字符串標簽，例如類或標簽，以便稍后在用新示例提出時預測正確的響應屬于監督學習類別。 這種方法確實類似于在老師的監督下的人類學習。 教師為學生記憶提供了很好的例子，然后學生從這些具體的例子中得出一般規則。
2.無監督學習：當算法從沒有任何相關響應的簡單示例中學習時，留給算法自己確定數據模式。 這種類型的算法傾向于將數據重構為其他內容，例如可能表示類的新特征或新的一系列不相關值。 它們非常有用，可以讓人們深入了解數據的含義以及監督機器學習算法的新的有用輸入。
作為一種學習，它類似于人類用來確定某些對象或事件來自同一類的方法，例如通過觀察對象之間的相似程度。 您在網絡上以營銷自動化的形式找到的一些推薦系統是基于這種類型的學習。
3.強化學習：當您使用缺少標簽的示例呈現算法時，如在非預期學習中。 但是，您可以根據算法提出的解決方案附帶正反饋或負反饋的示例，該增強學習類別與算法必須做出決策的應用程序相關聯（因此產品是規范性的，而不僅僅是描述性的， 與無監督學習一樣），決定帶來后果。 在人類世界中，就像通過反復試驗來學習一樣。
錯誤有助于你學習，因為他們有一個懲罰（成本，時間的浪費，后悔，痛苦等），教你一定的行動方式比其他人更不可能取得成功。 強化學習的一個有趣例子發生在計算機學習自己玩視頻游戲時。
在這種情況下，應用程序向算法提供特定情況的示例，例如讓游戲玩家陷入迷宮而避開敵人。 該應用程序讓算法知道它所采取的行動的結果，并且在試圖避免它發現的危險和追求生存的過程中進行學習。 您可以了解Google DeepMind公司如何創建一個強化學習計劃，播放舊的Atari視頻游戲。 觀看視頻時，請注意該計劃最初是如何笨拙和不熟練的，但通過培訓可以穩步提高，直到成為冠軍。
4.半監督學習：給出不完整的訓練信號：訓練集，其中一些（通常很多）目標輸出丟失。 這個原理的特殊情況稱為Transduction，其中整個問題實例集在學習時已知，除了缺少部分目標。
根據所需的輸出進行分類
當考慮機器學習系統的期望輸出時，出現機器學習任務的另一種分類：
分類：當輸入被分成兩個或更多個類時，學習者必須產生一個模型，該模型將看不見的輸入分配給這些類的一個或多個（多標簽分類）。這通常以受監督的方式解決。垃圾郵件過濾是一種分類示例，其中輸入是電子郵件（或其他）郵件，類別是“垃圾郵件”和“非垃圾郵件”。
回歸：這也是一個監督問題，即輸出是連續的而不是離散的情況。
聚類：將一組輸入分組。與分類不同，這些組事先是未知的，因此通常是無人監督的任務。
當通過典型方法無法解決問題時，機器學習就會出現。
人工智能的實踐模型
如何來動手實踐一下自己的掌握程度呢？可以試試谷歌的AIY視覺套件——AIY Vision Kit。
AIY Vision Kit 是AIY Projects的第二個產品。谷歌AIY Vision Kit（視覺套件）可以處理圖像識別和計算機視覺, 支持離線識別上千種常見物體（動物、植物）以及人臉、面部表情等。
VisionBonnet是該項目的核心，采用Intel Movidius MA2450芯片。 這種低功率視覺處理單元能夠運行神經網絡模型來識別物體。