夏天

摘要：隨著智能化時(shí)代的到來，機(jī)器學(xué)習(xí)已成為一個(gè)熱門的研究領(lǐng)域。作為人工智能的核心技術(shù)，機(jī)器學(xué)習(xí)涉及包括統(tǒng)計(jì)學(xué)，概率論，算法復(fù)雜度等多個(gè)學(xué)科，以研究如何模仿和學(xué)習(xí)人類行為，通過機(jī)器的自我學(xué)習(xí)從而獲得整體的性能，甚至新知識(shí)、技能的自行優(yōu)化和探索。機(jī)器學(xué)習(xí)的本質(zhì)是模型的建立和算法的研究，能通過經(jīng)驗(yàn)和大量的學(xué)習(xí)樣本自動(dòng)優(yōu)化模型和算法標(biāo)準(zhǔn)，不斷貼合實(shí)際發(fā)展，因此當(dāng)前主要應(yīng)用于智能機(jī)器人，數(shù)據(jù)挖掘，生物識(shí)別監(jiān)測，推薦算法等領(lǐng)域

關(guān)鍵詞：機(jī)器學(xué)習(xí)分類；算法相似性；應(yīng)用與發(fā)展

1概述

在經(jīng)典著作《機(jī)器學(xué)習(xí)》中對(duì)于該學(xué)科的認(rèn)知是“利用經(jīng)驗(yàn)改善系統(tǒng)自身的性能?！边@種對(duì)經(jīng)驗(yàn)的運(yùn)用即人類的學(xué)習(xí)能力，通過工作的重復(fù)和疊加，形成系統(tǒng)性的模型，并在此基礎(chǔ)上持續(xù)優(yōu)化模型，使得后續(xù)工作執(zhí)行得更好。這種學(xué)習(xí)方式形成循環(huán)的反饋，促使系統(tǒng)獲得經(jīng)驗(yàn)并改進(jìn)性能。

這樣的學(xué)習(xí)能力是否通過塑造模型和算法而搬遷至機(jī)器，也就是我們現(xiàn)在所說的計(jì)算機(jī)中？這便是機(jī)器學(xué)習(xí)的真正意義，而人工智能即是當(dāng)前研究的成果。

機(jī)器學(xué)習(xí)的研究需要以神經(jīng)網(wǎng)絡(luò)，統(tǒng)計(jì)分類等統(tǒng)計(jì)學(xué)，生物學(xué)為基礎(chǔ)，讓機(jī)器模擬人類學(xué)習(xí)過程。對(duì)此需要輸入巨量的數(shù)據(jù)和學(xué)習(xí)樣本以形成人類所知的“經(jīng)驗(yàn)”，不斷重復(fù)拆分、回歸、聚合，最終得到元素間的關(guān)系并可依此形成類似經(jīng)歷的判斷和預(yù)測。因此也應(yīng)用于數(shù)據(jù)挖掘，大數(shù)據(jù)處理等基于海量數(shù)據(jù)的預(yù)測。

機(jī)器學(xué)習(xí)的本質(zhì)在于數(shù)據(jù)的整合歸納，模型的建立和算法的改進(jìn)。在整個(gè)學(xué)習(xí)過程中，最基本的條件是持續(xù)的外界反饋，以某種方式形成的外界信息源，運(yùn)用算法將獲取的外部信息加工成為“經(jīng)驗(yàn)”，并儲(chǔ)備在內(nèi)在的數(shù)據(jù)庫里。數(shù)據(jù)庫根據(jù)建立的原則和規(guī)律提供執(zhí)行的行動(dòng)，而行動(dòng)過程中獲得的外界信息又成為了新的反饋來源，對(duì)下一次的行為提供新的指導(dǎo)信息。

2機(jī)器學(xué)習(xí)研究方法

當(dāng)前機(jī)器學(xué)習(xí)主要研究的問題包括四類：分類、回歸、聚類和規(guī)則抽取。

2.1分類

分類在機(jī)器學(xué)習(xí)中是基礎(chǔ)且重要的一步，通過指導(dǎo)性的學(xué)習(xí)，告知每個(gè)數(shù)據(jù)樣本是歸屬于哪種類型，在這樣的訓(xùn)練下，機(jī)器掌握不同的分類函數(shù)/模型，當(dāng)有新的數(shù)據(jù)樣本出現(xiàn)時(shí)，能判斷其類別并映射至相應(yīng)的類別中。

2.2回歸

指的是數(shù)學(xué)里的一種分析方式，研究一組隨機(jī)變量和另一組隨機(jī)變量之間的關(guān)系。最簡單的一種回歸分析即為一元線性關(guān)系。機(jī)器學(xué)習(xí)研究的是標(biāo)識(shí)好的數(shù)據(jù)和已有的模型/函數(shù)之間的關(guān)系，能將新輸入未識(shí)別的樣本歸納到相關(guān)的模型中，因此，回歸的結(jié)果也是分類的一種依據(jù)或先提條件。但回歸與分類的不同在于回歸里研究的是實(shí)數(shù)，而分類研究的是離散值。

2.3聚類

聚類的對(duì)象是沒有被標(biāo)注的數(shù)據(jù)，只是雜亂的樣本，通過聚類對(duì)這些樣本進(jìn)行分類，這種分類是利用樣本間的關(guān)系。聚類的結(jié)果與分類不同的是，分類前已有分好的類別模型，但聚類出來的類別事先沒有被識(shí)別標(biāo)注，可將聚類的結(jié)果再次研究，創(chuàng)建新的分別和標(biāo)注。

2.4規(guī)則抽取

規(guī)則抽取是除了能識(shí)別新樣本的類別外，還對(duì)分析樣本間屬性的關(guān)系進(jìn)行統(tǒng)計(jì)分析。

3機(jī)器學(xué)習(xí)的算法

機(jī)器學(xué)習(xí)本質(zhì)研究的是算法，如何解決問題取決于算法的選擇?；趯W(xué)習(xí)方法的算法分類為：

3.1監(jiān)督學(xué)習(xí)

通常運(yùn)用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，監(jiān)督學(xué)習(xí)利用已進(jìn)行標(biāo)注或分類的數(shù)據(jù)，訓(xùn)練對(duì)這些數(shù)據(jù)的理解和關(guān)系，輸出這些關(guān)系的模型，使得能做新輸入的未標(biāo)示樣本進(jìn)行預(yù)測。監(jiān)督學(xué)習(xí)強(qiáng)依賴于輸入的已分類信息，因?yàn)楹罄m(xù)的預(yù)判都是依據(jù)此分類信息學(xué)習(xí)得到的結(jié)果。監(jiān)督學(xué)習(xí)通常用于分類和歸回問題的研究，且常用的模型為決策樹分析模型。

3.2非監(jiān)督學(xué)習(xí)

非監(jiān)督學(xué)習(xí)利用未標(biāo)注或分類的數(shù)據(jù)進(jìn)行訓(xùn)練，研究樣本的結(jié)構(gòu)，輸出分類模型。其主要解決的問題的聚類和規(guī)則學(xué)習(xí)。通常使用的算法包括Apriori算法和k-means算法。

3.3半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)利用的是已標(biāo)注或分類的數(shù)據(jù)和未標(biāo)示數(shù)據(jù)的混合數(shù)據(jù)，既要學(xué)習(xí)屬之間的結(jié)構(gòu)關(guān)系，也要輸出分類模型進(jìn)行預(yù)測。回歸和分類問題是主要研究對(duì)象，因其在三種學(xué)習(xí)中更為高效，在實(shí)際運(yùn)用中更為普遍。

4機(jī)器學(xué)習(xí)實(shí)際應(yīng)用

機(jī)器學(xué)習(xí)當(dāng)前仍是較為新型的智能方面的科學(xué)技術(shù)，在計(jì)算機(jī)，互聯(lián)網(wǎng)領(lǐng)域應(yīng)用較為廣泛。主要應(yīng)用的領(lǐng)域和實(shí)際操作有：

1）人臉識(shí)別：在照片庫里識(shí)別出所有包含某一人的照片。該識(shí)別在手機(jī)、電腦等數(shù)碼產(chǎn)品中被普遍使用，作為管理工作。

2）語音識(shí)別：同樣是一個(gè)生物識(shí)別的實(shí)踐案例，識(shí)別用戶的話語和含義，明確用戶需求，比如蘋果自帶的Siri系統(tǒng)。

3）垃圾郵件識(shí)別：區(qū)分郵箱里收到的正常郵件和垃圾郵件。

4）推薦系統(tǒng)：根據(jù)用戶過往的操作習(xí)慣，購買記錄等個(gè)人行為數(shù)據(jù)，識(shí)別真正吸引用戶并愿意為此付費(fèi)的類型和事物，并從該類別中挑選類似的事物，促進(jìn)用戶查閱，點(diǎn)擊，付費(fèi)等行為。

5）股票交易：根據(jù)某只股票的所有價(jià)格波動(dòng)等歷史數(shù)據(jù)，預(yù)測對(duì)該股票當(dāng)前的操作行為，例如持倉，減倉，拋出等。

以上是較為主流的機(jī)器學(xué)習(xí)的實(shí)際使用領(lǐng)域。除此在數(shù)據(jù)挖掘，人工智能，規(guī)劃和問題解決等領(lǐng)域也有不同程度的使用。

5機(jī)器學(xué)習(xí)未來與發(fā)展

5.1非監(jiān)督學(xué)習(xí)

機(jī)器學(xué)習(xí)目前還未是一門成熟的學(xué)科，其研究的成本昂貴，在訓(xùn)練中所需的已標(biāo)識(shí)數(shù)據(jù)是經(jīng)人工處理而成，且需由專家進(jìn)行，因此要獲得大量的標(biāo)識(shí)樣不僅成本高，且難度大。也因此非監(jiān)督學(xué)習(xí)，針對(duì)從無標(biāo)注的數(shù)據(jù)中學(xué)習(xí)將成為未來研究重點(diǎn)方向。

5.2模型尺寸上的優(yōu)化

當(dāng)前普遍使用的模型，尤其是自然語音處理的模型，大小均超過500M。如何能在小設(shè)備，比如移動(dòng)設(shè)備上的使用是一種挑戰(zhàn)。移動(dòng)設(shè)備一般對(duì)于存量、大小、功耗等都有一定限制，而模型的過大則成為了一大制約因素。若未來能將機(jī)器學(xué)習(xí)技術(shù)廣泛應(yīng)用于移動(dòng)端，需通過兩方面的優(yōu)化來改善該未來：使用壓縮技術(shù)進(jìn)行模型壓縮，抑或改變算法以改變大小。

5.3智能化發(fā)展

將深度學(xué)習(xí)與知識(shí)，邏輯等人類思維模式結(jié)合，推進(jìn)人工智能的發(fā)展，獲得如人類一般的學(xué)習(xí)能力。將知識(shí)與數(shù)據(jù)整合，提高模型訓(xùn)練的速度和精度，使得人工智能更加貼近人的思維和決策方式。

5.4博弈機(jī)器學(xué)習(xí)

當(dāng)前深度學(xué)習(xí)的主要運(yùn)用集中于認(rèn)知類識(shí)別，如圖像識(shí)別，生物識(shí)別等，均為靜態(tài)決策，假若進(jìn)行更深一步的運(yùn)用，則是復(fù)雜和動(dòng)態(tài)決策。如股票預(yù)測，需根據(jù)時(shí)間變化來不斷預(yù)測何時(shí)買入賣出，以及多種因素和變量會(huì)對(duì)決策產(chǎn)生影響。因此，未來的發(fā)展可延伸至研究復(fù)雜動(dòng)態(tài)性多因素之間的關(guān)系，根據(jù)觀察環(huán)境甚至周圍相似個(gè)體做出更為準(zhǔn)確的預(yù)測。

6結(jié)論

機(jī)器學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)，研究人工智能的核心技術(shù)，主要通過監(jiān)督學(xué)習(xí)，來解決分類、回歸、聚類和規(guī)則抽取四類主要問題，目前主要應(yīng)用的領(lǐng)域有專家系統(tǒng)，圖像，生物識(shí)別，通過模型，分類器的學(xué)習(xí)，對(duì)新事物做出判斷。但目前機(jī)器學(xué)習(xí)主要解決的問題是認(rèn)知性問題，在實(shí)際生產(chǎn)中，因環(huán)境，動(dòng)態(tài)變化等制約，適用范圍仍較窄。

本文總結(jié)了機(jī)器學(xué)習(xí)當(dāng)前的技術(shù)和算法，總結(jié)了未來其方可發(fā)展和研究方向?yàn)橐韵聨追矫妫?）優(yōu)化當(dāng)前的學(xué)習(xí)方法，從模型和算法兩邊人手，發(fā)展使用未標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，發(fā)展新的模型、硬件系統(tǒng)設(shè)計(jì)，提高效率和精準(zhǔn)度，降低學(xué)習(xí)成本。2）如何從靜態(tài)任務(wù)學(xué)習(xí)轉(zhuǎn)至動(dòng)態(tài)、復(fù)雜角色任務(wù)。