一直以來，機(jī)器學(xué)習(xí)都是大家的關(guān)注焦點(diǎn)之一。因此針對(duì)大家的興趣點(diǎn)所在，小編將為大家?guī)頇C(jī)器學(xué)習(xí)的相關(guān)介紹，詳細(xì)內(nèi)容請(qǐng)看下文。

一、機(jī)器學(xué)習(xí)打造智能機(jī)器

在智能機(jī)器方面，人類綜合利用大數(shù)據(jù)和云計(jì)算的技術(shù)優(yōu)勢(shì)，通過大數(shù)據(jù)的收集來擴(kuò)大輸入源，通過神經(jīng)網(wǎng)絡(luò)模型、算法模型、云計(jì)算來進(jìn)行數(shù)據(jù)挖掘和分析，從而尋找有用的規(guī)律，進(jìn)而指導(dǎo)智能機(jī)器改造世界的實(shí)踐活動(dòng)。因此，大數(shù)據(jù)對(duì)于智能機(jī)器的認(rèn)識(shí)世界和改造世界能力來說提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。

機(jī)器學(xué)習(xí)是指在沒有明確編程指令的情況下，使機(jī)器具備自我訓(xùn)練和自我學(xué)習(xí)的技術(shù)。機(jī)器學(xué)習(xí)技術(shù)在人工智能的研究中具有十分重要的地位。機(jī)器學(xué)習(xí)算法是一種從數(shù)據(jù)中分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法，尤其是如何在經(jīng)驗(yàn)學(xué)習(xí)中改善具體算法的性能。

試想一個(gè)不具有學(xué)習(xí)能力的智能系統(tǒng)難以稱得上是一個(gè)真正的智能系統(tǒng)，但是以往的智能機(jī)器都普遍缺少學(xué)習(xí)的能力。例如，它們遇到錯(cuò)誤時(shí)不能自我校正，不會(huì)通過經(jīng)驗(yàn)改善自身的性能，不會(huì)自動(dòng)獲取和發(fā)現(xiàn)所需要的知識(shí)。

它們的推理僅限于演繹而缺少歸納，因此至多只能夠證明已存在事實(shí)、定理，而不能發(fā)現(xiàn)新的定理、定律和規(guī)則等。智能機(jī)器應(yīng)該是有生命：必須讓機(jī)器具有自己思考下一步行為的能力，而不是在固定代碼下執(zhí)行!

換言之，智能機(jī)器要干什么不是人類決定，而是機(jī)器在各種聽覺視覺等環(huán)境刺激下激發(fā)應(yīng)對(duì)的策略，并且能對(duì)這些策略進(jìn)行總結(jié)。要知道人是很復(fù)雜的，靠模擬根本無法和人類比，因此智能機(jī)器必須能自己開發(fā)、自己決策、自主學(xué)習(xí)，從而不斷自我升級(jí)完善，這樣才能是突破智能機(jī)器的發(fā)展瓶頸。

機(jī)器學(xué)習(xí)領(lǐng)域的研究工作主要有以下三個(gè)方面：面向任務(wù)，研究和分析改進(jìn)一組預(yù)定任務(wù)的執(zhí)行性能;面向認(rèn)知模型，研究人類學(xué)習(xí)過程并進(jìn)行計(jì)算機(jī)模擬;面向理論分析，從理論上探索各種可能的學(xué)習(xí)方法和獨(dú)立于應(yīng)用領(lǐng)域的算法。按照以上3種主要的研究工作，從學(xué)習(xí)策略分類，機(jī)器學(xué)習(xí)技術(shù)可以分為6個(gè)類型。

二、機(jī)器學(xué)習(xí)基本過程

1、確定目標(biāo)

機(jī)器學(xué)習(xí)的目標(biāo)并不在于機(jī)器學(xué)習(xí)，而在于我們將這種方法應(yīng)用到現(xiàn)實(shí)場(chǎng)景，去解決現(xiàn)實(shí)的問題點(diǎn)。所以在工作開始之前，我們需要想清楚自己是要實(shí)現(xiàn)何種目標(biāo)，比如是要對(duì)流失用戶進(jìn)行風(fēng)險(xiǎn)預(yù)警，對(duì)潛在付費(fèi)用戶進(jìn)行意愿評(píng)估，還是對(duì)信貸用戶進(jìn)行欺詐識(shí)別。

2、診斷問題

因?yàn)槊鞔_了所要實(shí)現(xiàn)的目標(biāo)，所以可以根據(jù)現(xiàn)實(shí)基礎(chǔ)來診斷問題。為了實(shí)現(xiàn)這個(gè)目標(biāo)，需要機(jī)器學(xué)習(xí)給到怎樣的輸出，單純的0-1標(biāo)簽即可，還是需要連續(xù)的風(fēng)險(xiǎn)概率;目前的數(shù)據(jù)量是否能支撐這個(gè)項(xiàng)目，業(yè)務(wù)樣本的黑白比例是否不夠均衡，這些問題都是需要診斷的。

3、方案設(shè)計(jì)

明確了要實(shí)現(xiàn)的目標(biāo)，也了解了現(xiàn)實(shí)基礎(chǔ)里存在的問題點(diǎn)，便可以展開方案設(shè)計(jì)。在這個(gè)細(xì)分的業(yè)務(wù)場(chǎng)景下，適合選用哪一類型的算法，不同算法往往是為不同領(lǐng)域而生的;在這個(gè)場(chǎng)景下，如果沒有明確的黑白樣本，需要基于何種方法來進(jìn)行樣本定義。在方案設(shè)計(jì)的環(huán)節(jié)，需要給出一個(gè)工作開展的大的方向，相當(dāng)于把時(shí)間和精力限制在一個(gè)合適的框架中。

4、方案執(zhí)行

在方案執(zhí)行的過程中遇到問題時(shí)，如何進(jìn)行解決，也是很重要的環(huán)節(jié)。機(jī)器學(xué)習(xí)算法的執(zhí)行，一般稱之為最優(yōu)化的過程，即在一個(gè)算法框架下，如何最快地達(dá)到最優(yōu)的結(jié)果。而針對(duì)整個(gè)方案的執(zhí)行，又會(huì)包括數(shù)據(jù)準(zhǔn)備，特征工程，算法調(diào)試，模型評(píng)估等具體事項(xiàng)，每一個(gè)事項(xiàng)相互獨(dú)立，各有各的方法論，但又相互影響，上下游之間的執(zhí)行效果環(huán)環(huán)相扣。

5、評(píng)估迭代

評(píng)估的過程，其實(shí)就是一個(gè)目標(biāo)量化的過程，因?yàn)橛辛肆炕?，所以有了絕對(duì)意義上的效果優(yōu)劣。只是不同的業(yè)務(wù)目標(biāo)，不同的模型框架，對(duì)應(yīng)的評(píng)估體系是不一樣的。建立一套合適的評(píng)估方式，機(jī)器學(xué)習(xí)項(xiàng)目也就實(shí)現(xiàn)了閉環(huán)，可以在迭代中去逐步逼近要實(shí)現(xiàn)的業(yè)務(wù)目標(biāo)。

以上便是小編此次想要和大家共同分享的內(nèi)容，如果你對(duì)本文內(nèi)容感到滿意，不妨持續(xù)關(guān)注我們網(wǎng)站喲。最后，十分感謝大家的閱讀，have a nice day!