Title
人工智能与机器学习 
发布时间：2018-10-18 作者：造物世界 点击量：
对于人工智能的定义，学界一直有不同的表述。在这里，我们采用一种被广泛接受的说法：
人工智能是通过机器来模叔人类认知能力的技术 。
人工智能涉及很广,盖了感知、学习、推理与决策等方面的能力。从实际 应用的角度说,人工智能最核心的能力就是根据给定的输人做出判断或预测 。
在人脸识别应用中,它是根据输入的照片,判断照片中的人是谁。
在语音识别中,它可以根据人说话的音频信号,判断说话的内容。
在医疗断中,它可以根据输入的医疗影像,判断疾病的成因和性质。
在电子商务网站中,它可以根据一个用户过去的购买记录,预测这位用户对什 么商品感兴趣,从而让网站做出相应的推荐 。
在全融应用中,它可以根据一只票过去的价格和交易信息,预测它未来的价 格走势。
在国棋对事中,它可以根据当前的盘面形势,预测选择某个落子的胜率。
你在日常生活中接触到的人工智能技术,它们是根据什么输入,做出 什么样的预测和判断呢?
那么人工智能是如何自动做出判断或预测的呢?其实这并不神秘,有时候我们 仅需要一些简单的规则。比如,我们用生活中常见的体温计就可以组成一个非常简 单的智能系统。它通过水银或者其他对温度敏感的物质获得体温读数作为输人,然 后通过简单的规则,比如“体温是否超过37.5摄氏度”,来判断接受测量的人是否正在发烧。
在80年代一度兴起的专家系统就是基于人工定义的规则来回答特定问题的。可 是人工定义规则的方式有着很多局限性。一方面,在复杂的应用场景下建立完备的规 则系统往往是一个非常昂贵而耗时的过程;另一方面,很多基于自然输入的应用,比 如语音和图像的识别,很难以人工的方式定义具体的规则。因此,当代的人工智能普 遍通过学习( leaming)来获得进行预测和判断的能力。这样的方法被称为机器学习（machine learning）,它已经成为人工智能的主流方法。
从数据中学习
机器学习方法通常是从已知数据(data)中去学习数据中蕴含的规律或者判断规 则。但是,已知数据主要是用作学习的素材,而学习的主要目的是推广( generalize 也就是把学到的规则应用到未来的新数据上并做出判断或者预测
机器学习有多种不同的方式。最常见的一种机器学习方式是監督学习( super vised leaming)。下面我们看一个例子。这里,我们希望能得到一个公式来预测一种宝 石的价格。而我们知道这种宝石的价格主要由它的重量和等级确定。如果我们使用监 督学习的方法,为了得到这个价格公式,我们需要先收集一批宝石价格的数据,如表 表1
现在我们准备根据表1-1来学习一个可用于价格预测的公式。表中每一行称为 个样本( sample)。我们可以看到,每个样本包含了两个部分:用于预测的输入信 息(重量、等级)和预測量(价格)的真实值。通过表1-1,我们可以对不同的预 測公式进行测试,并通过比较在每个样本上的预测值和真实价格的差別获得反馈。机 器学习的算法然后依据这些反馈不断地对预测的公式进行调整。在这种学习方式中 预测量的真实值通过提供反馈对学习过程起到了监督的作用。我们称这样的学习方式 为监督学习。在实际应用中,监督学习是一种非常高效的学习方式。我们会在后面的 章节中介绍监督学习的具体方法。
监督学习要求为每个样本提供预測量的真实值,这在有些应用场合是有困难的 比如在医疗诊断的应用中,如果要通过监督学习来获得诊断模型,则需要请专业的医 生对大量的病例及它们的医疗影像资料进行精确标注。这需要耗费大量的人力,代价 常高品。为了克服这样的困难,研究者们也在积极探索不同的方法,希望可以在不 提供监督信息(预测量的真实值)的条件下进行学习。我们称这样的方法为无监督 学习( unsupervised learning)。无监督学习往往比监督学习困难得多,但是由于它能 帮助我们克服在很多实际应用中获取监督数据的困难,因此一直是人工智能发展的一个重要研究方向。
近年来,还有另外一种被称为半监督学习的学习方式也受到了广泛关注。半监督学 习( semi-supervised learning)介于监督学习与无监督学习之间,它要求对小部分的样本提 供预测量的真实值。这种方法通过有效利用所提供的小部分监督信息,往往可以取得比无 监督学习更好的效果,同时也把获取监督信息的成本控制在可以接受的范围。
返回列表
