人工智能和機械進修可謂火爆絕后。自從AlphaGo完勝人類圍棋頂尖棋手后，人們關于人工智能的評論辯論就從未連續過。 有人說，人工智能會使年夜批人掉業，又有人說，人工智能會給人類帶來威逼。更多人等待的則是，人工智能可以贊助我們發明更多的價值。AI是一個異常狹義的概念。為了更好的懂得它，如今先讓我們來評論辯論一下人工智能的一個主要分支——機械進修。本文編譯于Ben Dickson近期在techfinancials.co.za上揭橥的題為“What is machine learning?”的文章。
當我第一次試著編程時，我就愛上了這門藝術（是的，我信任編程既是迷信又是藝術）， 那一年，我九歲。 我很快就迷上了若何經由過程設置邏輯規矩和前提來掌握法式的流程，if… else語句，switch，輪回等等。
在接上去的幾年里，我學會了經由過程創立模塊和將代碼段籠統成函數和類的手腕來堅持代碼整潔。 我經由過程面向對象的剖析和設計（OOA / D）加強了我的軟件開辟技巧。 我進修了代碼的反復應用和設計形式。 我學會了用UML圖形和表示圖來說明我的法式。 我學會了將這些準繩運用于近十幾種分歧的編程說話當中。
然則編程的經歷軌則堅持不變：界說規矩和邏輯。 其他的只是贊助實行和保護這些規矩的技能。
幾十年來，基于規矩的代碼主導了我們創立軟件的方法。 我們剖析一個或一組成績，指定界限，實例，過程，關系，并將它們轉換為肯定軟件任務方法的規矩。
固然這類辦法對我們來講很好，但卻招致了“笨”軟件，除非人類以某種方法更新其邏輯，不然該法式永久不會轉變其行動。 別的，它也不實用于規矩不明白的情形，例如辨認圖象中的對象，在收集流量中發明歹意運動，或是在不屈坦的空中上對機械人停止導航。
機械進修是古代人工智能的基石，它推翻了傳統編程形式。 機械進修有助于創立修改和改良其機能的軟件，而無需人類向其說明若何完成義務。 這就是我們明天直接應用的， 和很多行將產生的，立異面前的技巧，包含你從網站，數字助理，無人駕駛汽車，剖析軟件等處看到的使人驚奇的建議。
甚么是機械進修？
機械進修是從示例中進修的軟件。 你不須要編寫機械進修的算法，而是經由過程供給年夜量的相干數據，來練習它們。 例如，不要試圖對機械算法說明一只貓看起來是甚么樣的，你須要經由過程供給數百萬張貓的圖片來培訓它。 該算法在這些圖象中找到反復的形式，并為本身肯定若何界說貓的外不雅。在此以后，當你向該法式顯示新照片時，它可以辨別照片中能否含有貓的成份。
很多人將機械進修同等于人工智能。 但是，AI是一個松懈的概念，它可以運用于從龐雜的、基于規矩的軟件到還沒有創造的，人類智能之間的任何工作。 現實上，機械進修是AI的一個特殊分支，它基于數據而并不是規矩來創立法式。
甚么是監視，無監視和強化進修？
機械進修有幾種分歧作風的算法。 個中最風行的是“監視進修”，進一步說，就是你應用帶有標簽數據的練習算法，將一組輸出對象（平日為矢量）映照到一組希冀的輸入值中（也稱為監視旌旗燈號）。 下面所講的貓的示例就是監視進修的一個例子。 另外一個例子是語音辨認，你可以經由過程供給聲響波形來對應個中的書面字體。
你供給給監視進修的算法樣本越多，其剖析新數據的才能就越準確。 而這也是監視進修的重要挑釁。 創立帶有標志樣本的年夜數據異常耗時，同時也須要年夜量的人力。 一些平臺，如亞馬遜的Mechanical Turk供給數據標簽辦事。
在“無監視進修”中，機械進修的另外一個分支，則沒有參考數據，一切都沒有標簽。 換句話說，你供給輸出，但不供給輸入。 該算法對未標志的數據停止整頓，提取推論并找出形式。 無人監視進修關于人類沒法界說的，隱蔽形式的情形特別有效。
例如，你許可機械進修算法監督你的收集運動。 然后，它將依據其找到的形式設置正常收集運動的基準。依據這個尺度，它將檢測而且記載異常收集運動。
與監視進修比擬，無監視的進修更接近于機械自我進修的進程。 但是，無監視進修的成績是其成果常常是弗成猜測的。 這就是為何它平日須要聯合人的直覺來引誘其堅持準確偏向，由于它一切都是自學的。 例如，上述收集平安的例子，收集運動中有很多緣由會使其偏離標準，但是這其實不是歹意制作的。 但機械進修的算法其實不曉得。在開端的時刻，人類剖析人員必需改正其決議，直到它學會斷定異常并作出更好的決議計劃。
另外一個不太著名的機械進修范疇是“強化進修”。在強化進修中，法式員界說了狀況，希冀目的，許可的行為和束縛。 該算法經由過程測驗考試將各類分歧的許可行為停止組合來懂得若何完成目的。 當你曉得目的是甚么，但沒法界說到達目的的途徑時，此辦法特殊有用。
強化進修在很多設置中被應用。 在更有名的案例中，Google DeepMind的AlphaGo，控制了龐雜的棋般游戲Go的機械進修法式。 該公司正在采取異樣的辦法來進步英國電網的效力。 Uber也在應用雷同的技巧來教AI署理玩俠盜獵車手車（或更精確地說，讓它們本身進修）。
甚么是深度進修？
固然機械進修是人工智能的一個分支，但深度進修是機械進修的專門分支。 深度進修應用神經收集，一個具有人類年夜腦構造和功效的復成品。
深刻進修處理了上一代進修算法中存在的一個重要成績。先前， 跟著數據的增加，算法平臺的效力和機能趨于停止。 如今，深度進修算法在取得更多半據的同時，其機能也在賡續改良。深度進修算法其實不是直接經由過程將輸出映照到輸入的方法，而是依附于幾層處置單位。 每一個層將其輸入傳遞到下一個層，停止處置，然后再傳遞到下一層。 在某些模子中，盤算能夠會在處置層之間往返活動屢次?，F已證實深度進修在各類義務中異常有用，包含圖象字幕，語音辨認和說話翻譯。
機械進修的挑釁是甚么？
固然機械進修對將來運用的成長相當主要，但其實不是沒有本身的挑釁。
一方面，機械進修算法的開辟和安排在很年夜水平上依附于年夜量的盤算和存儲資本來履行其義務。 這類依附關系使得它們在履行時受限于云辦事和年夜數據。 是以，在履行邊沿盤算機集成處理計劃時（edge intelligence）它們更具挑釁性。
機械進修的另外一個成績 - 特殊是深度進修 - 是它的不通明度性。 跟著算法變得愈來愈龐雜，人類愈來愈難以說明它們是基于甚么，做出決議的。 在很多情形下，這能夠不是成績。 然則，當你想要對算法做出癥結決議時，使它們具有通明性而且讓人了如指掌長短常主要的。
另外還存在一些成見成績。 機械進修常常會接收嵌入到它們在接收培訓時，數據中包括的一些的習氣和偏向。 在某些情形下，尋覓和清除成見很輕易，而在其他情形下，它的嵌入度極深，人類常常難以發覺。
但是，這些挑釁都弗成能阻攔AI和機械進修成為我們這個時期的通用技巧（這個術語已經被用于蒸汽機和電力如許的創造）。 不論我們往哪一個偏向成長，機械進修都將會對我們發生深入影響。
