扫码加入数据分析学习群

作者 | Anish Phadnis

翻译 | Mika

本文为 CDA 数据分析师原创作品，转载需授权

人脑是最神奇的。你知道我更感兴趣的是什么吗？是我们的学习能力。我们如何能够适应并学习全新的技能，然后应用到日常生活之中呢?

我有一个6岁的弟弟，我看着他从懵懵懂懂的小婴儿逐渐长大。他学会了如何爬行、走路、跑；如何学会说话，理解简单的语法和简单的数学。本文中我就要谈谈如何让机器复制这种学习的能力。

假设我想教机器如何区分狗和猫。这很简单，我的弟弟很容易就能做到。但是如何将其编程在机器上呢？我们不能简单的认为，所有的猫都是尖耳朵，或所有的狗都有毛。如果我们试图用代码写下所有猫狗间的差异，从而来解决这个问题，那么这是非常繁琐的，而且成功的可能性很低。

通过机器学习，算法能够理解猫与狗之间的差异，而无需刻意进行编程。它不需要我们去指导应该如何区分猫和狗。算法只需要看许多不同的猫和狗图像，并学习当中的区别。这与我弟弟学会辨别猫狗很类似。不需要告诉他猫狗的差异，只需要告诉他，这张图是狗，这张图是猫。随着时间的推移，小孩子就能慢慢了解猫狗的分别是什么样了。

总而言之，机器学习能够让机器学会如果执行任务，而无需明确地编程。

深度学习

我们知道机器学习是什么，那么深层学习到底是什么呢？

很简单，深度学习只是机器学习中的一个领域。

深度学习只是机器学习的一个子集

深度学习算法被称为神经网络，它以人脑为模型，模仿人类学习的方式。

让我们以区分猫狗的例子来理解神经网络的运行原理。从本质上讲，神经网络接收输入，这里也就是猫狗的图像；然后得出输出，即标签为猫或狗的图像。在输入和输出之间，隐藏层从图像中提取特征。例如，这张图中有长鼻子，锋利的牙齿，尾巴等，然后通过这些信息预测图像为猫还是狗。

有时候这些特征很重要，比如狗的鼻子比猫长；而有时特征并不重要。为了解决这个问题，神经网络给某些特征赋予了比其他特征更多的权重，即如果一张图像中的动物鼻子较长，则更有可能是狗。最终大量的特征汇集在一起，神经网络通过足够的特征判断图像是否是狗，如果是的话则输出这张图是是狗。

但是如果出错了呢？当然，神经网络无法一开始就准确无误。神经网络判断图像为猫，然而实际上是狗，这是学习的地方。

那这时会怎样呢？它进入隐藏层，神经网络决定将相应的权重赋予相应的特征。如果出错，网络必须进行调整，从而得出正确的结果。经过反复的调整，最终神经网络将能够分辨出两者间的差异。我实际上能够构建这样的神经网络，并得出95％的准确率。结果并不完美，但仍然是惊人的。

能解决哪些问题

在机器学习中，有3个不同的分支，它们都分别解决不同类型的问题。

监督学习

到目前为止，我向你解释的就是监督学习，因为它是最容易理解的。给出输入，并得知输出是什么。我们有猫的图像，而且知道它被标记为猫。通过给合适的特征赋予合适的权重，从而得出正确的结果，即图像为猫。

这就类似你在复习细胞生物学测试。你在在测试自己是否掌握了细胞不同部分的功能。你正在学习细胞结构，即输出，并将其与输出——细胞各部分的功能相匹配。这就是你在学习从输入到输出的过程。

无监督学习

无监督学习是一个数据集，但当中没有标签或没有正确的答案。当中只有数据点，无监督学习的目的是找出数据中的模式，并帮助得出结论。

举一个简单的例子。给监督学习算法一个正方形，告诉它是正方形，然后在给出一个三角形，告诉它这是三角形，诸如此类。接着它会理解是正方形是什么样的，三角形又是什么样的。

而在无监督的学习问题中，它只会给出一堆形状，而不会被告知它这些是形状。在这种情况下，无监督学习算法将相似的形状组合在一起，可能是边的数量相同的形状，具有相同区域的形状，具有相似颜色的形状等等。接着它会找到基础模式能够将形状分类。

这就是无监督学习算法如何尝试在数据点中找到模式的例子。算法确定这是数据点之间的最佳分割，因为所有黄点与其他黄点最相似，所有红点与其他红点最相似，并且所有蓝点与其他蓝点相似。

强化学习

这实际上是我在机器学习中最喜欢的主题，也是我在编程方面投入时间最多的部分。最吸引我的就是以下视频中的这种行走机器人。强化学习是理解如何在环境中让奖励最大化奖励的智能体。在以上视频中，当智能体能够行走时就将获得奖励。为了将奖励最大化，它将尽可能长时间地行走。智能体通过测试所有可能的腿部动作来实现行走。智能体会因此获得奖励，因此它会继续行走并重复这一行动。

这很类似我六岁的弟弟学走路，妈妈会在他迈步时会鼓掌和欢呼。当他摔倒时他会停止让他跌倒的行动，并继续采取获得妈妈鼓掌欢呼的步骤。最终，他学会了跑。

强化学习每次都让我惊叹不已。

机器学习的应用

让我们来谈谈机器学习在现实中的应用。

自然语言处理（NLP）

计算机通过0和1中说话，我们用文字说话。我们的谈话方式与计算机的谈话方式之间存在差距，我们必须训练计算机来理解我们的语言。使用NLP，计算机不仅能够转录单词，而且能够从中提取意义，甚至能以某种语调进行对话！有了Siri，Alexa和Cortana等助手，与智能手机交谈最终会像在手机上使用键盘一样普遍。

计算机视觉（CV）

NLP让计算机具有通话能力，CV让计算机能够看到。这被应用在自动驾驶汽车中，用于检测不同的物体，如其他汽车、行人以及道路上的车道。这能够让计算机从摄像机中提取信息。这还可以用于简单的人脸识别和检测算法，正如Facebook上使用的那样。

分析健康数据

想象一下，Mark每天都在他家附近的公园里散步，但突然有一天他摔倒了，心脏病发作了。心脏病像许多其他疾病一样是非常突然的，几乎没有任何预兆。我们身体中的某些模式预示着即将发生的某些健康方面的问题。通过使用Fitbits等设备能够来跟踪我们身体的健康数据，从而能够分析这些数据并提前开始进行预测。通过分析健康数据，在Mark心脏病发作前一周，医生们就能够知道，并及时提供他需要的帮助。

关键要点

• 机器学习能够机器学习如何执行任务，而且无需明确地编程。
• 深度学习是机器学习的一个子集，它使用称为神经网络的特定算法，该算法是以人脑为模型的。
• 监督学习具有输入和输出，其目的是弄清楚如何从输入到输出。无监督学习具有数据点，其目的只是在数据中找到模式。
• 强化学习是机器人在物理和虚拟世界中学习如何走路、跳跃和执行其他人类行为的方式。
• 机器学习和深度学习的潜力是无限的，它将以前所未有的方式彻底改变世界。

原文链接：

https://blog.goodaudience.com/machine-learning-teaching-machines-to-learn-61b0f3eaaba8