自從OpenAI接連拋出ChatGPT、SORA之后，GenAI（生成式AI）推動著人工智能開始快速進(jìn)入了大眾的視野，從文本、圖片到視頻，熱度不減，很多AI應(yīng)用及其軟件APP如雨后春筍般地冒了出來，人工智能是否又會像當(dāng)初的計算機、互聯(lián)網(wǎng)、智能手機等一樣，極大地影響和改變我們的生活和工作？如果答案是肯定的話，那么它最基本的知識和概念，我們就有必要簡單地了解和知曉一些，比如下面所要提到的機器學(xué)習(xí)（ML：Machine Learning）。
什么是機器學(xué)習(xí)：定義和示例
機器學(xué)習(xí)技術(shù)
機器學(xué)習(xí)是人工智能的一個子集，它使系統(tǒng)能夠?qū)W習(xí)和優(yōu)化流程，而無需始終如一地進(jìn)行編程。簡而言之，機器學(xué)習(xí)使用數(shù)據(jù)、統(tǒng)計數(shù)據(jù)和反復(fù)試驗來“學(xué)習(xí)”特定任務(wù)，而無需為該任務(wù)進(jìn)行專門編程。
目錄
- 機器學(xué)習(xí)定義
- 機器學(xué)習(xí)的類型
- 機器學(xué)習(xí)示例
- 機器學(xué)習(xí)的歷史
機器學(xué)習(xí)定義
機器學(xué)習(xí)是人工智能的一個重要子領(lǐng)域，它使用無數(shù)算法在機器中實現(xiàn)類似人類的學(xué)習(xí)模式。
什么是機器學(xué)習(xí)？
機器學(xué)習(xí)是人工智能的一個子領(lǐng)域，其中系統(tǒng)能夠通過數(shù)據(jù)、統(tǒng)計數(shù)據(jù)和試錯來“學(xué)習(xí)”，來優(yōu)化流程，并以更快的速度進(jìn)行創(chuàng)新。機器學(xué)習(xí)使計算機能夠開發(fā)類似人類的學(xué)習(xí)能力，這使它們能夠解決一些世界上最棘手的問題，從癌癥研究到氣候變化。
大多數(shù)計算機程序依靠代碼來告訴它們要執(zhí)行什么或要保留哪些信息（即廣為人知的顯式知識）。這些知識包含任何易于編寫或記錄的內(nèi)容，例如教科書、視頻或手冊。通過機器學(xué)習(xí)，計算機獲得了隱性知識，或者我們從個人經(jīng)驗和上下文中獲得的知識。這種類型的知識很難通過書面或口頭交流從一個人轉(zhuǎn)移到另一個人。
面部識別是一種隱性知識。我們能認(rèn)出一個人的臉，但我們很難準(zhǔn)確地描述我們?nèi)绾位驗槭裁茨苷J(rèn)出它。我們依靠我們的個人知識庫來連接點，并根據(jù)他們的臉立即識別一個人。另一個例子是騎自行車，向別人展示如何騎自行車比解釋它要容易得多。
計算機不再需要依賴數(shù)十億行代碼來執(zhí)行計算。機器學(xué)習(xí)為計算機提供了隱性知識的力量，使這些機器能夠建立聯(lián)系，發(fā)現(xiàn)模式，并根據(jù)過去學(xué)到的知識進(jìn)行預(yù)測。機器學(xué)習(xí)對隱性知識的使用，使其成為從金融科技到天氣和政府等幾乎所有行業(yè)的首選技術(shù)。
什么是深度學(xué)習(xí)？
深度學(xué)習(xí)是機器學(xué)習(xí)中的一個子領(lǐng)域，它因其從數(shù)據(jù)中提取特征的能力而受到關(guān)注。深度學(xué)習(xí)使用人工神經(jīng)網(wǎng)絡(luò) （ANN：Artificial Neural Networks） 從原始數(shù)據(jù)中提取更高級別的特征。人工神經(jīng)網(wǎng)絡(luò)雖然與人類大腦有很大不同，但受到人類生物處理信息方式的啟發(fā)。計算機所做的學(xué)習(xí)被認(rèn)為是“深度”的，因為網(wǎng)絡(luò)使用分層來學(xué)習(xí)和解釋原始信息。
例如，深度學(xué)習(xí)是圖像處理的重要資產(chǎn)，從電子商務(wù)到醫(yī)學(xué)圖像，無所不包。谷歌正在為其程序配備深度學(xué)習(xí)功能，以發(fā)現(xiàn)圖像中的模式，以便為您搜索的任何內(nèi)容顯示正確的圖像。如果你搜索一件冬季夾克，谷歌的機器和深度學(xué)習(xí)將聯(lián)手發(fā)現(xiàn)圖片中的圖案——尺寸、顏色、形狀、相關(guān)品牌名稱——這些圖案顯示了滿足你查詢的相關(guān)夾克。
深度學(xué)習(xí)在放射學(xué)、病理學(xué)和任何嚴(yán)重依賴圖像的醫(yī)療領(lǐng)域也遇到了阻力。該技術(shù)依靠其隱性知識（通過研究數(shù)百萬次其他掃描）立即識別疾病或傷害，從而為醫(yī)生和醫(yī)院節(jié)省時間和錢。
機器學(xué)習(xí)是如何工作的？
機器學(xué)習(xí)編譯輸入數(shù)據(jù)，這些數(shù)據(jù)可以是從培訓(xùn)課程或其他來源收集的數(shù)據(jù)，例如數(shù)據(jù)集搜索引擎、.gov 網(wǎng)站和 Amazon Web Services 等開放數(shù)據(jù)注冊表。這些數(shù)據(jù)的功能與人類先前的經(jīng)驗相同，為機器學(xué)習(xí)模型提供歷史信息，以便在做出未來決策時使用。
然后，算法分析這些數(shù)據(jù)，搜索模式和趨勢，使他們能夠做出準(zhǔn)確的預(yù)測。通過這種方式，機器學(xué)習(xí)可以從過去收集洞見，以預(yù)測未來發(fā)生的事情。通常，團隊可以提供給機器學(xué)習(xí)軟件的數(shù)據(jù)集越大，預(yù)測就越準(zhǔn)確。
這個想法是，機器學(xué)習(xí)算法應(yīng)該能夠自己執(zhí)行這些任務(wù)，只需要最少的人為干預(yù)。隨著機器學(xué)習(xí)在不同行業(yè)的許多方面實現(xiàn)自動化，就加快了各種流程。
