什么是机器学习（Machine Learning）- AI百科知识

什么是机器学习

机器学习（Machine Learning）说白了是一种数据分析技术，属于人工智能（AI）和计算机科学的一个分支，走的路子是拿数据和算法去模仿人类的学习方式，一步一步把自己的准确率提上去。它教计算机干一件人和动物天生就会的事：从经验里学。机器学习算法用计算方法直接从数据里“学”信息，靠的不是事先定好的方程式当模型。

机器学习的技术分类

机器学习技术大体分三家：监督学习、无监督学习和强化学习。

1. 监督学习算法，拿已知的输入输出数据搭模型，为的是做未来预测。
2. 无监督学习，负责从输入数据里挖出藏着的模式来做预测。
3. 强化学习，也是一种机器学习，靠自身行为和体验给的反馈，在交互式环境里边试错边学习。

常见的机器学习算法

眼下人工智能领域里流行的机器学习算法不少，代表性的有这些：

• 神经网络（Neural networks）：模仿人大脑的工作方式，由大量互相链接的处理节点组成。论识别模式它是把好手，自然语言翻译、图像识别、语音识别、图像创建这些应用里都少不掉它。
• 线性回归（Logistic regression）：这类算法靠值与值之间的线性关系来预测数值。比如根据一个地区的历史数据估房价，用的就是它。
• 逻辑回归（Clustering）：这是一种监督学习算法，专门预测分类反应变量——比如对一个问题答“是”还是“否”。垃圾邮件分类、生产线质量控制，都是它的用武之地。
• 聚类（Cluserting）：走无监督学习的路子，聚类算法能把数据里的模式找出来、分好组。数据项之间那些人类注意不到的差异，计算机识别起来反而在行，能帮数据科学家一把。
• 决策树（Decision tress）：既能预测数值（回归），也能给数据分类。它的用法是一串可以画成树状图的链接决策分支。决策树有个讨喜的地方：不像神经网络那样是个黑盒，验证和审计都方便。
• 随机森林（Random forests）：随机森林的玩法是把多个决策树的结果攒到一起，综合预测一个值或类别。

机器学习的实际应用

机器学习在各个领域都落了地，最常见的应用有这么几类：

• 图像识别：拿机器学习认图像和视频里的物体、人像、地点。
• 语音识别：语音转文本，或者文本转语音，背后都是机器学习。
• 自然语言处理：理解、解释人类语言，靠的还是机器学习。
• 推荐系统：根据用户过往行为，把产品或服务推到用户面前。
• 异常检测：数据里冒出来的异常模式或异常行为，用它来揪。
• 欺诈检测：金融交易里的欺诈活动，靠机器学习来发现。
• 预测性维护：机器或设备什么时候可能坏，提前算出来。
• 机器人：教机器人干活，也用的是机器学习。
• 自动驾驶汽车：让汽车自己开，比如Google的Waymo、Tesla的FSD以及百度的Apollo自动驾驶。