说明:本网站的所有产品内容及圖片非为针对消费者的广告实为行业内企业之间的产品介绍
在谷歌搜索中输入“什么是机器學习”打开了一个潘多拉的论坛,学术研究和这里说的 - 本文的目的是简化机器学习的定义和理解这要归功于我们的机器学习研究小组。
除了机器学习(ML)的知情工作定义之外,我们还旨在简要概述机器学习的基本原理让机器“思考”的挑战和局限性,以及今天深入解决的一些问题学习(机器学习的“前沿”)以及开发机器学习应用程序的关键要点。
我们将这个资源放在一起以帮助您解决有关机器学习的任何好奇心 - 所以滚动到您感兴趣的部分,或者随意阅读文章从下面的机器学习定义开始:
“机器学习是让计算机像人类一样学習和行动的科学,通过以观察和现实世界互动的形式向他们提供数据和信息以自主的方式改善他们的学习。”
上述定义包含了机器学习嘚理想目标或最终目标正如该领域的许多研究人员所表达的那样。本文的目的是为具有商业头脑的读者提供有关如何定义机器学习及其笁作原理的专家观点 机器学习和人工智能在许多人的脑海中具有相同的定义,但读者也应该认识到一些明显的差异本文末尾包含参考攵献和相关研究人员的访谈,以便进一步挖掘
(我们的聚合机器学习定义可以在本文开头找到)
与任何概念┅样,机器学习的定义可能略有不同具体取决于您的要求。我们梳理互联网从信誉良好的资源中找到五个实用的定义:
我们将这些定义发送给我们采访过和/或包含在我们之前的研究共识Φ的专家,并要求他们回答他们最喜欢的定义或提供他们自己的定义我们的介绍性定义旨在反映不同的反应。以下是他们的一些回复:
ML鈈应由否定定义(因此裁定2和3)这是我的定义:
机器学习研究是人工智能研究的一部分,旨在通过数据观察和与世界的互动为计算机提供知识。获得的知识允许计算机正确地推广到新设置
(编辑上面的数字2):“机器学习是让计算机在没有明确编程的情况下采取行动嘚科学,而是让他们自己学习一些技巧”
机器学习是让计算机学习和人类做得更好或更好的科学。
有许多不同类型的机器学习算法每忝发布数百种,并且它们通常按学习风格(即监督学习无监督学习,半监督学习)或通过形式或功能的相似性(即分类回归,决策树聚类,深度学习等)无论学习风格或功能如何,机器学习算法的所有组合都包含以下内容:
机器学习算法的基本目标是 概括超絀训练样本即成功解释之前从未“见过”的数据。
到目前为止概念和要点只能用于理解。当人们问“什么昰机器学习”时,他们经常想看看它是什么以及它做了什么以下是机器学习模型的一些可视化表示,以及附带的链接以获取更多信息
使用卷积神经网络合并色度和亮度:
有许多不同的方法让机器学习从使用基本决策树到聚类到人工神经网络層(后者已经让位于深度学习),取决于你要完成的任务和类型以及您可用的数据量这种动态在各种应用中发挥作用,如医疗诊断或自動驾驶
虽然重点通常放在选择最佳学习算法上,但研究人员发现一些最有趣的问题都源于可用的机器学习算法。大多数情况下这是訓练数据的问题,但在新域中使用机器学习时也会出现这种情况
在处理实际应用程序时所做的研究通常会推动该领域的进展,原因有两個:1发现现有方法的界限和局限性的趋势2.研究人员和开发人员与领域专家合作,利用时间和专业知识来提高系统性能
有时这也是由“意外”发生的。我们可能会考虑模型集合或许多学习算法的组合来提高准确性这是一个例子。竞争2009 Netflix Price的团队发现当他们将学习者与其他團队的学习者结合起来时,他们取得了最好的成绩从而改进了推荐算法(请阅读,了解他们最终未使用此合奏的原因)
在业务和其他領域的应用方面,一个重要的观点(基于对该领域专家的访谈和对话)是机器学习不仅仅是甚至是自动化,这是一个经常被误解的概念如果你这样想,你一定会错过机器可以提供的宝贵见解和由此产生的机会(重新思考整个商业模式例如制造业和农业等行业)。
学习嘚机器对人类有用因为它们具有所有处理能力,能够更快地突出显示或找到人类可能错过的大(或其他)数据中的模式机器学习是一種工具,可用于增强人类解决问题的能力并从广泛的问题中做出明智的推断,从帮助诊断疾病到提出全球气候变化的解决方案
“机器學习无法从无到有......它的作用是从更少的东西中获得更多。” - 华盛顿大学Pedro Domingo博士
机器学习中两个最大的历史性的(和持续的)问题涉及过度擬合(其中模型表现出对训练数据的偏见,并且不会推广到新数据和/或变化,即在训练新数据时学习随机事物)和维度(具有更多特征嘚算法在更高/更多维度上工作使得理解数据更加困难)。在某些情况下访问足够大的数据集也是主要问题。
机器学习初学者中最常见嘚错误之一是成功地测试训练数据并具有成功的假象; Domingo(和其他人)强调在测试模型时保持一些数据集是分开的重要性并且仅使用该保留數据来测试所选模型,然后学习整个数据集
当学习算法(即学习者)不起作用时,通常更快的成功之路是为机器提供更多数据其可用性现已成为近期机器和深度学习算法进步的主要驱动因素。年份; 然而这可能导致可扩展性问题,我们有更多的数据但有时间了解数据仍然是一个问题。
就目的而言机器学习本身并不是目的或解决方案。此外尝试将其用作一揽子解决方案即“BLANK”并不是一项有用的练习; 楿反,带着问题或目标来到桌面通常最好由一个更具体的问题驱动 - “BLANK”
深度学习涉及机器算法的研究和設计,用于在多个抽象级别(安排计算机系统的方式)学习数据的良好表示最近通过DeepMind,Facebook和其他机构进行深度学习的宣传突显了它作为机器学习的“下一个前沿”
该机器学习国际会议(ICML)被广泛认为是世界上最重要的项目之一。今年6月在纽约市举行汇集了来自世界各地嘚研究人员,他们致力于解决当前深度学习中的挑战:
深度学习系统在過去十年中在诸如对象检测和识别文本到语音,信息检索等领域取得了巨大的进步研究现在专注于开发 数据高效的机器学习,即深度學习系统可以在更少的时间和更少的数据中以更高的效率学习,在个性化医疗保健机器人强化学习,情感分析等前沿领域其他。
下面是一系列应用机器学习的最佳实践和概念我们已经从我们对播客系列的采访以及本文末尾引用的选择来源进荇了整理。我们希望这些原则中的一些将阐明如何使用ML以及如何避免公司和研究人员在启动ML相关项目时可能容易受到的一些常见陷阱。
搜索关注我们嘚微信小程序解锁更多专业内容和优质资讯,不要错过哟!
下载百度知道APP抢鲜体验
使用百喥知道APP,立即抢鲜体验你的手机镜头里或许有别人想知道的答案。
版权声明:文章内容来源于网络,版权归原作者所有,如有侵权请点击这里与我们联系,我们将及时删除。