機(jī)器學(xué)習(xí)是人工智能的一個子集，它通過示例和經(jīng)驗(yàn)教會計算機(jī)執(zhí)行任務(wù)，是研究和開發(fā)的熱門領(lǐng)域。我們每天使用的許多應(yīng)用程序都使用機(jī)器學(xué)習(xí)算法，包括AI助手，Web搜索和機(jī)器翻譯。

您的社交媒體新聞提要由機(jī)器學(xué)習(xí)算法提供支持。您看到的推薦視頻是機(jī)器學(xué)習(xí)模型的結(jié)果。Spotify的“發(fā)現(xiàn)周刊”利用機(jī)器學(xué)習(xí)算法的強(qiáng)大功能來創(chuàng)建符合您喜好的歌曲列表。

但是機(jī)器學(xué)習(xí)有許多不同的風(fēng)格。在這篇文章中，我們將探討有監(jiān)督和無監(jiān)督學(xué)習(xí)，這是機(jī)器學(xué)習(xí)算法的兩個主要類別。每個子集由許多適合各種任務(wù)的不同算法組成。

關(guān)于機(jī)器學(xué)習(xí)的快速筆記

在深入研究有監(jiān)督和無監(jiān)督學(xué)習(xí)之前，我們先來了解一下什么是機(jī)器學(xué)習(xí)。當(dāng)今的AI系統(tǒng)以最簡單的形式將輸入轉(zhuǎn)換為輸出。例如，圖像分類器將圖像或視頻幀作為輸入，并輸出圖像中包含的對象的種類。欺詐檢測算法將支付數(shù)據(jù)作為輸入，并輸出交易欺詐的可能性。下棋的AI將棋盤的當(dāng)前狀態(tài)作為輸入并輸出下一個動作。

開發(fā)智能系統(tǒng)的經(jīng)典方法稱為符號人工智能，要求程序員明確指定將輸入映射到輸出的規(guī)則。盡管符號AI有很多好處，但在輸入可以以多種形式出現(xiàn)的領(lǐng)域中使用有限，例如計算機(jī)視覺，語音識別和自然語言處理。

相反，機(jī)器學(xué)習(xí)使用不同的方法來發(fā)展行為。在創(chuàng)建ML系統(tǒng)時，開發(fā)人員會創(chuàng)建一個通用結(jié)構(gòu)，并在許多示例中進(jìn)行培訓(xùn)。這些示例可以是帶有相應(yīng)圖像的圖片，國際象棋游戲數(shù)據(jù)，客戶購買的物品，用戶聽過的歌曲或與AI模型要解決的問題有關(guān)的任何其他數(shù)據(jù)。在分析了訓(xùn)練數(shù)據(jù)之后，機(jī)器學(xué)習(xí)算法對其內(nèi)部參數(shù)進(jìn)行了調(diào)整，以能夠處理新的輸入數(shù)據(jù)。

監(jiān)督學(xué)習(xí)

Logistic回歸是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，可以將輸入分類為不同的類

如果您關(guān)注人工智能新聞，您可能已經(jīng)聽說過AI算法需要很多人工標(biāo)記的示例。這些故事指的是監(jiān)督學(xué)習(xí)，這是機(jī)器學(xué)習(xí)算法中比較流行的類別。監(jiān)督式機(jī)器學(xué)習(xí)適用于您知道輸入數(shù)據(jù)結(jié)果的情況。假設(shè)您要創(chuàng)建一個圖像分類機(jī)器學(xué)習(xí)算法，該算法可以檢測貓，狗和馬的圖像。

要訓(xùn)練AI模型，您必須收集貓，狗和馬照片的大型數(shù)據(jù)集。但是在將它們輸入機(jī)器學(xué)習(xí)算法之前，您必須使用它們各自類的名稱對其進(jìn)行注釋。批注可能包括使用文件命名約定將每個類的圖像放在單獨(dú)的文件夾中，或?qū)⒃獢?shù)據(jù)附加到圖像文件中。這是費(fèi)力的手動任務(wù)，在提到AI血汗工廠的故事中經(jīng)常提到。

標(biāo)記數(shù)據(jù)后，機(jī)器學(xué)習(xí)算法（例如卷積神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)）將處理這些示例并開發(fā)可將每個圖像映射到其正確類別的數(shù)學(xué)模型。如果對AI模型進(jìn)行足夠的帶標(biāo)簽的示例訓(xùn)練，它將能夠準(zhǔn)確地檢測出包含貓，狗，馬的新圖像類別。

監(jiān)督機(jī)器學(xué)習(xí)解決了兩種類型的問題：分類和回歸。上面說明的示例是一個分類問題，其中機(jī)器學(xué)習(xí)模型必須將輸入放入特定的存儲桶或類別中。分類問題的另一個示例是語音識別。

回歸機(jī)器學(xué)習(xí)模型不限于特定類別。它們可以具有連續(xù)的無限值，例如客戶將為產(chǎn)品支付多少費(fèi)用或明天下雨的可能性。

一些常見的監(jiān)督學(xué)習(xí)算法包括：

· 線性和邏輯回歸

· 樸素貝葉斯

· 支持向量機(jī)

· 決策樹和隨機(jī)森林

· 人工神經(jīng)網(wǎng)絡(luò)

· 無監(jiān)督學(xué)習(xí)

假設(shè)您是一個電子商務(wù)零售企業(yè)所有者，他擁有成千上萬的客戶銷售記錄。您想找出哪些客戶有共同的購買習(xí)慣，以便您可以使用該信息向他們提出相關(guān)建議并改善您的追加銷售政策。問題是您沒有預(yù)定義的類別將客戶劃分為多個類別。因此，您不能訓(xùn)練監(jiān)督式機(jī)器學(xué)習(xí)模型來對客戶進(jìn)行分類。

這是一個聚類問題，主要用于無監(jiān)督機(jī)器學(xué)習(xí)。與監(jiān)督學(xué)習(xí)不同，無監(jiān)督機(jī)器學(xué)習(xí)不需要標(biāo)記數(shù)據(jù)。它仔細(xì)研究了訓(xùn)練示例，并根據(jù)它們的共同特征將它們分為幾類。訓(xùn)練有素的無監(jiān)督機(jī)器學(xué)習(xí)算法會將您的客戶劃分為相關(guān)的集群。這將幫助您根據(jù)客戶與集群中其他人的共同偏好來預(yù)測客戶將購買的產(chǎn)品。

K-means是眾所周知的無監(jiān)督聚類機(jī)器學(xué)習(xí)算法。使用k均值的挑戰(zhàn)之一是知道將數(shù)據(jù)劃分為多少個群集。太少的包會打包不太相似的數(shù)據(jù)，而太多的簇只會使您的模型復(fù)雜且不準(zhǔn)確。除了聚類之外，無監(jiān)督學(xué)習(xí)還可以執(zhí)行降維。當(dāng)數(shù)據(jù)集具有太多特征時，可以使用降維。假設(shè)您有一個有關(guān)客戶的信息表，該表有100列。擁有有關(guān)您的客戶的大量數(shù)據(jù)可能聽起來很有趣。但實(shí)際上并非如此。

隨著數(shù)據(jù)中功能數(shù)量的增加，您還將需要更大的樣本集來訓(xùn)練準(zhǔn)確的機(jī)器學(xué)習(xí)模型。您可能沒有足夠的樣本來訓(xùn)練100列模型。太多的功能也增加了過度擬合的機(jī)會，這實(shí)際上意味著您的AI模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，而在其他數(shù)據(jù)上表現(xiàn)不佳。

無監(jiān)督的機(jī)器學(xué)習(xí)算法可以分析數(shù)據(jù)并找到不相關(guān)的特征，可以將其刪除以簡化模型而不會失去寶貴的見解。例如，對于我們的客戶表，通過降維算法運(yùn)行它之后，我們可能會發(fā)現(xiàn)與客戶的年齡和家庭住址相關(guān)的功能幾乎沒有關(guān)聯(lián)，因此可以將其刪除。

主成分分析（PCA）是一種流行的降維機(jī)器學(xué)習(xí)算法。一些安全分析師還使用無監(jiān)督的機(jī)器學(xué)習(xí)進(jìn)行異常檢測，以識別組織網(wǎng)絡(luò)中的惡意活動。

無監(jiān)督學(xué)習(xí)的好處之一是，它不需要監(jiān)督學(xué)習(xí)必須經(jīng)歷的費(fèi)力的數(shù)據(jù)標(biāo)記過程。但是，要權(quán)衡的是，評估其性能的有效性也非常困難。相反，通過將監(jiān)督學(xué)習(xí)算法的輸出與測試數(shù)據(jù)的實(shí)際標(biāo)簽進(jìn)行比較，可以很容易地衡量監(jiān)督學(xué)習(xí)算法的準(zhǔn)確性。
責(zé)任編輯：tzh