面向在校学生的机器学习
简介
机器学习的核心方法已经存在很长时间了，但计算机最近才开发出在现实世界中应用这些方法所需的处理能力。
当今的人工智能 (AI) 算法能够学习识别图片和视频中的事物、跨语言交流，甚至可以掌握棋盘和街机游戏。在某些情况下，例如使用 DeepMind 的 AlphaGo 软件，AI 甚至比给定工作中的顶尖人类表现更好!
什么是机器学习?
人工智能用于机器学习，我们将尝试让计算机访问数据并允许它们利用这些数据自行学习。本质上，它涉及指示计算机执行一项工作，而无需专门配置。机器学习也称为 ML，人工智能也称为 AI。
机器学习的解释
我假设您的孩子以前曾目睹过战斗机器人锦标赛。您知道，机器人被编程为使用一种方法(遵循一系列指令来完成任务；这是计算机的认知过程)相互攻击和"战斗"。
在这种情况下，如果应用机器学习，机器人将根据可用的信息自行做出选择。换句话说，机器人不会按照代码的指示始终执行选项 A，而是选择执行选项 A 或选项 B。
因此，机器学习教授一种算法，以便它可以学习如何自行做出决策，而不是使用明确的指令来编程软件。
机器学习的工作原理
如前所述，ML 是指训练算法。然后，为了训练算法，用户需要有一个人工神经网络，也称为 ANN，它是一组受我们大脑启发的算法，是生物神经网络，并模仿它，由彼此连接的不同神经元组成。
神经元是机器学习中处理外部输入的基本但相互关联的功能单元。数据进入神经元的输入，由神经元使用权重、偏差和激活函数进行处理，然后将处理后的数据作为神经元的输出发送出去。
一旦您拥有一个可以接受输入数据并产生值的神经元，就必须通过改变其权重和偏差来训练它，直到输出完美。
机器学习使用这些神经元来完成许多不同的任务，包括预测事件的结果、股票的价格，甚至是比赛中足球运动员的动作。为了预测结果，神经元会从任何先前的事件中获取输入信息。
机器学习的功能
监督学习是 ML 解决方案的主要类型。这些解决方案可以访问训练数据，允许代码在开发过程中获得有关其性能的评论。
游戏和对象识别是监督学习任务的例子，因为机器在学习时会收到评论。它是否正确识别了图像中的东西?它赢了比赛吗，还是在玩了 10 秒后就输了?它可以根据反馈修改其决策过程，以便下次做得更好。
分类和强化学习是监督学习问题中最普遍的两个子类别。
软件(例如垃圾邮件过滤或图像识别程序)在分类问题中被赋予一组输入，并且必须学会准确地对这些输入进行分类。
在强化学习中，也称为"代理"的软件会动态地与环境接触并决定下一步要做什么。代理必须根据当前的环境、正负激励以及所采取的行动找出完成目标的最佳方法。
强化学习代理已经开始学习玩多种电子游戏，包括《星际争霸 2》等难度更大的战略游戏。它们还可以学习玩游戏，例如掌握围棋和国际象棋的棋盘游戏、吃豆人小姐、在 Dota 2 游戏中与专家竞争以及玩吃豆人小姐。
机器学习示例
当在各种情境和环境中出现问题时，机器学习可用于识别答案。
智能汽车
基于从许多内部和外部传感器收集的数据，机器学习可以根据从许多内部和外部传感器收集的数据评估驾驶环境和驾驶员状态。
例如，智能汽车能够使用机器学习观察、识别然后识别物品。由于环境中有如此多的不同物品，因此很难明确地将每个物体是什么或可能是什么编码到汽车的架构中。但是，如果你使用机器学习来训练汽车识别物体，它就可以自己做决定。
音乐和视频推荐
使用音乐应用程序的孩子可能会质疑程序如何推荐他们喜欢的其他歌曲。同样，YouTube 如何选择孩子们接下来想看的视频?机器学习使这一切成为可能。确定听众或观众偏好的算法是使用用于训练算法的以前看过的电影中的信息来构建和改进的。
网络搜索
在搜索引擎中搜索任何东西时，需要大量的工作和机器学习才能获得结果。谷歌如何确定数以万计的结果中哪些与搜索查询相关?互联网上的所有内容都使用高度发达的人工智能和机器学习进行分类，以确定哪些照片是"狗"和"猫"，哪些文章是关于"尼斯湖水怪"或"大脚怪"的。
结论
监督学习是机器学习问题的主要类型之一。在强化学习中，软件动态地与环境交互并决定下一步做什么。代理还可以学习玩吃豆小姐，掌握围棋和国际象棋的棋盘游戏，并与 Dota 2 中的专家竞争。机器学习可以根据从许多内部和外部传感器收集的数据评估驾驶环境和驾驶员状态。
