什么是机器学习,机器学习与人工智能的差异是什么（一）?

人工智能和核算机游戏范畴的前驱阿瑟塞缪尔（Arthur Samuel）创造了 “机器学习”一词。他将机器学习界说为 “一个让核算机无需清晰编程即可学习的研讨范畴” 。通俗地说，机器学习（ML）能够解说为依据核算机的经验主动化和改善核算机的学习进程，而无需实践编程，即无需任何人工协助。该进程首先供给高质量的数据，然后经过运用数据和不同算法构建机器学习模型来练习咱们的机器（核算机）。算法的挑选取决于咱们拥有什么类型的数据以及咱们想要主动化的使命类型。

什么是机器学习？

机器学习是人工智能的一个分支，它经过学习数据集的躲藏形式来开发算法，并运用它来对新的相似类型数据进行猜测，而无需为每个使命进行显式编程。

传统机器学习将数据与统计东西相结合来猜测可用于形成可行见地的输出。

机器学习用于许多不同的运用，从图画和语音辨认到自然言语处理、引荐体系、诈骗检测、投资组合优化、主动化使命等等。机器学习模型还用于为主动驾驶轿车、无人机和机器人供给动力，使它们更加智能并能够习惯不断改变的环境。

强化学习是另一种类型的机器学习，可用于改善依据引荐的体系。在强化学习中，署理学习依据其环境的反馈做出决议计划，而且该反馈可用于改善向用户供给的建议。例如，体系能够盯梢用户观看引荐电影的频率，并运用此反馈来调整未来的引荐。

依据机器学习的个性化引荐在许多职业中越来越受欢迎，包含电子商务、社交媒体和在线广告，由于它们能够供给更好的用户体验并增加对平台或服务的参与度。

这一打破源于这样一种想法：机器能够从数据（即示例）中单独学习以发生准确的成果。

机器学习与传统编程的差异

机器学习与传统编程的差异如下：

机器学习算法如何作业

机器学习以以下方法作业。

• 前向传递： 在前向传递中，机器学习算法接纳输入数据并发生输出。依据模型算法核算猜测。
• 丢失函数： 丢失函数也称为差错或成本函数，用于评价模型猜测的准确性。该函数将模型的猜测输出与实践输出进行比较，并核算它们之间的差异。这种差异称为错误或丢失。模型的方针是经过调整其内部参数来最小化差错或丢失函数。
• 模型优化进程： 模型优化进程是调整模型内部参数以最小化差错或丢失函数的迭代进程。这是运用优化算法（例如梯度下降） 来完成的。优化算法核算差错函数相关于模型参数的梯度，并运用该信息来调整参数以削减差错。该算法重复此进程，直到差错最小化到令人满意的水平。

一旦模型在练习数据进步行了练习和优化，它就能够用于对新的、看不见的数据进行猜测。模型猜测的准确功能够运用各种功能指标进行评价，例如准确度、精确度、召回率和 F1 分数。

机器学习生命周期：

机器学习项目的生命周期触及一系列过程，其间包含：

1. 研讨问题： 第一步是研讨问题。此过程触及了解事务问题并界说模型的方针。

2. 数据搜集： 当问题清晰后，咱们就能够搜集模型所需的相关数据。数据或许来自各种来源，例如数据库、API 或网络抓取。

3. 数据准备：

   搜集与问题相关的数据时。那么最好正确检查数据并将其设置为所需的格式，以便模型能够运用它来查找躲藏的形式。这能够经过以下过程完成：

   • 数据清洗
   • 数据转化
   • 解说性数据剖析和特征工程
   • 拆分数据集以进行练习和测验。

4. 模型挑选： 下一步是挑选适合咱们问题的机器学习算法。此过程需求了解不同算法的优点和缺陷。有时咱们运用多个模型并比较它们的成果并依据咱们的要求挑选最佳模型。

5. 模型构建和练习：

   挑选算法后，咱们有必要构建模型。

   1. 在传统机器学习的情况下，构建形式很简单，只需进行一些超参数调整即可。
   2. 在深度学习的情况下，咱们有必要界说分层架构以及输入和输出大小、每层的节点数、丢失函数、梯度下降优化器等。
   3. 运用预处理的数据集练习该模型之后。

6. 模型评价： 模型练习完成后，能够运用分类陈述、F1 分数、精度、召回率、ROC 曲线、均方差错、绝对差错等不同技术在测验数据集上对其进行评价，以确认其准确性和功能。

7. 模型调优： 依据评价成果，或许需求对模型进行调优或优化以进步其功能。这触及调整模型的超参数。

8. 布置： 模型经过练习和调整后，能够将其布置在出产环境中以对新数据进行猜测。此过程需求将模型集成到现有的软件体系中或为模型创立一个新体系。

9. 监控和保护： 最后，监控模型在出产环境中的功能并依据需求履行保护使命至关重要。这包含监控数据漂移、依据需求重新练习模型以及在新数据可用时更新模型。

机器学习的类型

• 监督机器学习
• 无监督机器学习
• 强化机器学习

1.监督机器学习：

监督学习是机器学习的一种，其间算法在符号数据集进步行练习。它学习依据符号的练习数据将输入特征映射到方针。在监督学习中，算法供给输入特征和相应的输出标签，并学习从这些数据中进行泛化，以对新的、未见过的数据进行猜测。

监督学习首要有两种类型：

• 回归：回归是一种监督学习，算法学习依据输入特征猜测连续值。回归中的输出标签是连续值，例如股票价格、房价。机器学习中不同的回归算法有：线性回归、多项式回归、岭回归、决议计划树回归、随机森林回归、支撑向量回归等
• 分类：分类是一种监督学习，算法学习依据输入特征将输入数据分配到特定类别或类别。分类中的输出标签是离散值。分类算法能够是二元的，其间输出是两个或许的类别之一，也能够是多类别的，其间输出能够是多个类别之一。机器学习中不同的分类算法有：逻辑回归、朴素贝叶斯、决议计划树、支撑向量机（SVM）、K-最近邻（KNN）等.

2.无监督机器学习：

无监督学习是机器学习的一种类型，其间算法无需运用符号示例进行显式练习即可学习辨认数据中的形式。无监督学习的方针是发现数据的底层结构或分布。

无监督学习首要有两种类型：

• 聚类：聚类算法依据相似的数据点的特征将其分组在一起。方针是辨认彼此相似但与其他组不同的数据点组或集群。一些盛行的聚类算法包含 K-means、层次聚类和 DBSCAN。
• 降维： 降维算法削减数据集中输入变量的数量，一起保留尽或许多的原始信息。这关于降低数据集的复杂性并使其更易于可视化和剖析十分有用。一些盛行的降维算法包含主成分剖析 (PCA)、t-SNE 和主动编码器。

3. 强化机器学习

强化学习是一种机器学习，其间署理经过履行操作并依据其操作接纳奖赏或惩罚来学习与环境交互。强化学习的方针是学习一种战略，它是从状况到举动的映射，跟着时间的推移最大化预期累积奖赏。

强化学习首要有两种类型：

• 依据模型的强化学习： 在依据模型的强化学习中，署理学习环境模型，包含状况之间的转化概率以及与每个状况-动作对相关的奖赏。然后，署理运用该模型来规划其举动，以最大化其预期奖赏。一些盛行的依据模型的强化学习算法包含值迭代和战略迭代。
• 无模型强化学习：在无模型强化学习中，智能体直接从经验中学习战略，而无需显式构建环境模型。署理与环境交互并依据收到的奖赏更新其战略。一些盛行的无模型强化学习算法包含 Q-Learning、SARSA 和深度强化学习。

机器学习的需求：

机器学习很重要，由于它答应核算机从数据中学习并进步其在特定使命上的功能，而无需显式编程。这种从数据中学习并习惯新情况的能力使得机器学习关于触及很多数据、复杂决议计划和动态环境的使命特别有用。

以下是运用机器学习的一些特定范畴：

• 猜测建模： 机器学习可用于构建猜测模型，协助企业做出更好的决议计划。例如，机器学习可用于猜测哪些客户最有或许购买特定产品，或许哪些患者最有或许患上某种疾病。
• 自然言语处理： 机器学习用于构建能够了解和解说人类言语的体系。这关于语音辨认、谈天机器人和言语翻译等运用十分重要。
• 核算机视觉： 机器学习用于构建能够辨认和解说图画和视频的体系。这关于主动驾驶轿车、监控体系和医学成像等运用十分重要。
• 诈骗检测： 机器学习可用于检测金融交易、在线广告和其他范畴的诈骗行为。
• 引荐体系：机器学习可用于构建引荐体系，依据用户曩昔的行为和偏好向他们引荐产品、服务或内容。

总体而言，机器学习已成为许多企业和职业的重要东西，由于它使他们能够更好地运用数据，改善决议计划流程，并为客户供给更加个性化的体验。

机器学习的各种运用

• 主动化：机器学习，在任何范畴彻底自主地作业，无需任何人工干预。例如，机器人在制造工厂中履行基本的流程过程。
• 金融职业：机器学习在金融职业越来越受欢迎。银行首要运用机器学习来查找数据内部的形式，一起也防止诈骗。
• 政府组织：政府运用机器学习来办理公共安全和公用事业。以拥有大规模人脸辨认的中国为例。政府运用人工智能来防止乱穿马路。
• 医疗保健职业：医疗保健是最早运用机器学习和图画检测的职业之一。
• 营销： 由于数据的丰富性，人工智能在营销中得到了广泛的运用。在海量数据年代之前，研讨人员开发了贝叶斯剖析等先进的数学东西来估量客户的价值。跟着数据的蓬勃发展，营销部分依靠人工智能来优化客户关系和营销活动。
• 零售职业：零售职业运用机器学习来剖析客户行为、猜测需求和办理库存。它还能够依据每位顾客曩昔的购买情况和偏好引荐产品，协助零售商为每位顾客供给个性化的购物体验。
• 交通运输：机器学习在交通运输职业中用于优化道路、削减燃料耗费并进步交通体系的整体效率。它还在主动驾驶轿车中发挥着效果，其间机器学习算法用于做出有关导航和安全的决议计划。

机器学习的应战和局限性

机器学习的局限性：

1. 机器学习的首要应战是缺少数据或数据集的多样性。
2. 假如没有可用数据，机器就无法学习。此外，缺少多样性的数据集会给机器带来困难。
3. 机器需求具有异质性才能学习有意义的洞察力。
4. 当没有改变或改变很少时，算法很少能提取信息。