机器学习对于上学的孩子来说

介绍

机器学习的核心方法已经存在很长一段时间了，但是只有最近电脑的处理能力才发展到足以在实际环境中应用这些方法。

现今的人工智能（AI）算法能够学习识别图片和视频中的事物，跨越语言进行交流，甚至掌握棋盘和街机游戏。在某些情况下，例如DeepMind的AlphaGo软件，AI甚至能够表现比顶尖人类在特定任务上做得更好！

什么是机器学习

机器学习使用人工智能，在这里我们将尝试让计算机获取数据并利用这些数据进行自主学习。实质上，这涉及对计算机进行指导以执行任务，而无需专门配置。机器学习也被称为ML，人工智能也被称为AI。

机器学习的解释

我假设你的孩子之前见过机器人战斗锦标赛。你知道，机器人被编程攻击和“战斗”彼此，使用一种方法论（一系列指令按顺序执行任务的计算机认知过程）。

在这种情况下，如果应用了机器学习，机器人将根据其可用的信息自行做出选择。换句话说，机器人不再按照代码指令始终执行选择A，而是选择执行选项A或选项B。

因此，机器学习教给算法如何自主做出决策，而不是将软件编程为明确的指令。

机器学习的工作原理

如前所述，ML指的是对算法进行训练。为了训练一个算法，用户需要拥有一个人工神经网络，也称为ANN，它是受我们的大脑中的生物神经网络启发而构建的一系列算法，由相互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。数据通过输入进入神经元，神经元使用权重、偏差和激活函数对数据进行处理，然后将处理后的数据作为神经元的输出发送出去。

一旦有一个可以接受输入数据并产生值的神经元，您必须通过改变其权重和偏差来训练神经元，直到输出完美。

机器学习将这些神经元用于许多不同的任务，包括预测事件结果、股票价格，甚至是足球比赛中球员的动作。为了预测结果，神经元从任何先前事件获取输入信息。

机器学习的能力

监督学习是主要类型的ML解决方案。这些解决方案中，训练数据是可访问的，允许代码在发展过程中获得有关其性能的反馈。

游戏和对象识别是监督学习任务的示例，因为机器在学习过程中会接收到反馈。它是否正确识别了图像中的物体？它在游戏中赢了，还是在玩了10秒后输了？它可以根据反馈调整其决策过程，以便下一次做得更好。

分类和强化学习是监督学习问题中最常见的子类。

在分类问题中，给定一组输入，例如垃圾邮件过滤或图像识别程序，必须学习准确分类这些输入。

在强化学习中，软件也被称为“代理”，动态与环境接触并决定下一步该做什么。代理必须根据当前环境、正向和负向的激励以及所采取的行动来找出完成目标的最佳方式。

强化学习代理开始学习玩各种类型的视频游戏，包括更困难的策略游戏，比如《星际争霸2》。他们也可以学习玩棋盘游戏如围棋和国际象棋，玩《吃豆人》游戏，和专家对战游戏《刀塔2》，玩《吃豆人》游戏。

机器学习的示例

当问题在各种环境和情境中出现时，机器学习被用来找到答案。

智能车

基于从众多内部和外部传感器收集的数据，机器学习可以根据这些数据评估驾驶环境和驾驶员状态。

例如，智能汽车可以使用机器学习来观察、识别和确认一个物体。由于环境中有很多不同的物体，将每个物体明确地编码到汽车的系统中会很困难。但是，如果使用机器学习来教育汽车识别物体，它可以自己决定。

音乐和视频推荐

使用音乐应用的孩子可能会想知道程序如何推荐他们喜欢的其他歌曲。同样，YouTube如何选择孩子们想要观看的下一个视频？机器学习使所有这些变得可能。建立一个算法，根据之前观看过的电影的信息来确定听众或观众的偏好，并不断改进该算法。

网络搜索

在搜索引擎中寻找任何内容需要大量的工作和机器学习才能得到结果。谷歌如何确定成千上万个结果中哪些与搜索查询相关？通过高度发达的人工智能和机器学习分类了互联网上的所有内容，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，并决定下一步该做什么。代理还可以学习玩《吃豆人》游戏，掌握围棋和国际象棋，与专家对战《刀塔2》。机器学习可以根据从众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。