什么是机器学习？机器学习与AI的关系？

我们先考虑一个任务 ： 从照片中识别出某位友人。对大多数人来说 ， 就算照片光线不足 ， 或是友人刚理过发 ， 或是换了新衣服 ， 要认出他来也是轻而易举的事。但若是要在计算机上编程来解决这个问题 ， 应当如何开始呢 ？ 恐怕谁都会毫无头绪吧。而这类问题正是机器学习所能够解决的。

传统上来讲 ， 计算机编程指在结构化的数据上执行明确的程序规则。软件开发人员动手编写程序 ， 告诉计算机如何对数据执行一组指令 ， 并输出预期的结果 ， 如图 1 - 1 所示。这个过程与税务申报有些类似 ： 税单中的每个框都有明确的定义 ， 并且有详尽的规则指明如何进行计算。在有的地方 ， 这种计算规则可能相当复杂。人们在填写税单时非常容易犯错 ， 而这正是计算机程序最擅长的任务。

图 1 -1 软件开发人员所熟悉的标准编程范式。开发人员构思算法并实现代码 ； 用户提供数据

与传统的编程范式不同 ，机器学习 不用直接实现算法 ， 而是从样本数据推断出程序或算法。因此 ， 在应用机器学习技术时 ， 我们仍然向计算机提供数据 ， 但不再提供指令 ， 也不再等待预期的输出 ， 而是 向它提供我们所希望的输出 ， 让机器自己找到对应的算法。

要构建一个计算机程序来识别照片中的友人 ， 可以先获取许多他的照片 ， 然后用一套算法来分析这个照片集合 ， 并生成一个能够匹配照片的函数。如果这一步做得足够好 ， 生成的函数甚至可以用来检验没见过的新照片。当然 ， 程序其实并不知道它的目标是什么 ， 它唯一要做的是判断新图片与提供给它的原始图片是否相似。

在这个场景中 ， 提供给机器用来训练的图片被称为 训练数据 （training data）， 而图片中人物的名称则被称为 标签 （label）。在为一个目标 训练 （train） 出算法之后 ， 可以用这个算法来 预测（predict） 新数据上的标签 ， 以进行测试。图 1 - 2 展示了一个示例 ， 并描述了机器学习范式。

图 1 -2 机器学习范式 ： 在开发过程中 ， 从数据集生成一个算法 ， 然后将它集成到最终的应用中

机器学习适用于规则模糊的场景。它擅长解决类似于“等我看到了才知道它是什么”的问题。我们不用直接编写函数 ， 而是提供数据来指导函数应该做什么 ， 然后科学地生成与数据相匹配的函数。

在实践中 ， 通常需要把机器学习和传统编程结合起来 ， 才能构建出真正有用的应用。例如 ， 对于前面提到的人脸识别应用 ， 我们必须告诉计算机如何查找、加载和转换示例图像 ， 然后才能对图像数据应用机器学习算法。除此之外 ， 还可能需要手写一些规则 ， 例如如何区分头部特写、日落和咖啡拉花。把传统编程技术和先进的机器学习算法结合起来 ， 往往会比只用其中一个要好得多。

1 机器学习与 AI 的关系

从广义上讲 ，AI 是指任何让计算机模仿人类行为的技术。AI 技术包括很多不同的范畴 ， 例如以下几种 ：

• 逻辑生产系统 ， 应用形式逻辑来分析语句 ；
• 专家系统 ， 软件开发人员尝试将人类知识直接编码到软件中 ；
• 模糊逻辑 ， 定义算法来帮助计算机处理不精确的语句。

这几个技术都是基于规则的 ， 有时我们称它们 经典 AI或 老式AI（Good Old-Fashioned AI，GOFAI）。

机器学习只是人工智能领域的众多分支领域之一 ， 但如今它可以说是最成功的一个。尤其是深度学习 ， 作为机器学习的一个子领域 ， 它成功地引领了近年来 AI 世界激动人心的几次突破 ， 甚至解决了困扰研究界数十年的问题。在经典 AI 中 ， 研究者分析人类行为 ， 尝试找到相应的规则 ， 并编写成代码。而机器学习和深度学习解决问题的方式则完全相反 ： 在机器学习里 ， 我们先收集人类行为的样例 ， 再用数学与统计学技术从数据中抽取规则。

深度学习的应用简直无处不在 ， 以至于研究界常常混用 AI 和深度学习 这两个词语。在本书中 ， 为了避免混淆 ， 我们用 AI 这个词来表示用计算机模仿人类行为的一般问题 ， 用机器学习或深度学习来特指从样例中抽取算法的数学技术。

2 机器学习能做什么 ， 不能做什么

机器学习是一种专门的技术。它不能用来更新数据库记录 ， 也不能用来呈现用户界面。在下面几种情形中 ， 应当优先选择传统编程来解决问题。

• 用传统算法就能够直接解决问题。如果可以直接编写代码来解决问题 ， 那么与机器学习相比 ， 传统算法的理解、维护、测试和调试将更加容易。
• 期望程序准确无误。所有复杂的软件都会出错。在传统的软件工程中 ， 我们可以系统地识别和修复 bug， 然而在机器学习中则并不总是如此。我们可以想办法改进系统 ， 但若是过分专注于个别错误 ， 往往会导致整个系统变得更糟。
• 简单的启发式规则已经够好了。如果用几行代码就能够实现一个足够好的规则 ， 那么最好安于现状。这种简单的启发式规则如果实现得足够清晰 ， 就会非常易于理解和维护。而机器学习生成的函数却仿佛雾里看花 ， 如果要修改更新 ， 还需要再单独执行一遍训练过程。相反地 ， 如果需要维护一整套复杂的规则 ， 那么用机器学习代替传统编程就可能是个很好的选择了。

实际上 ， 有些问题用传统编程能够解决 ， 但如果对问题稍作变化 ， 就可能连机器学习也难以解决了。这两类问题的区别往往非常细微。例如 ， 前面讨论的图像中人脸识别的问题与给人脸标记名称的问题。又如 ， 检测文本所使用的语言并不难解决 ， 但如果想将文本翻译成其他指定的语言 ， 其难度就会有天壤之别。

当问题的复杂度非常高时 ， 人们往往还是倾向于使用传统编程解决 ， 即使机器学习可能更有用。在面对信息密集、错综复杂的场景时 ， 例如在宏观经济学、股票市场预测和政治领域中 ， 人们通常倾向于寻求经验法则和规则表述。但实际上机器学习的发现往往能够提供灵感 ， 从而大大帮助这些流程管理人员或专家们的直觉判断。真实世界的数据往往比预想中更有结构。在很多领域里 ， 我们才刚刚开始感受到自动化与增强机器学习发展所带来的好处。

本文摘自《深度学习与围棋》

本书通过教读者构建一个围棋机器人来介绍深度学习技术。随着阅读的深入 ， 读者可以通过 Python 深度学习库 Keras 采用更复杂的训练方法和策略。读者可以欣赏自己的机器人掌握围棋技艺 ， 并找出将学到的深度学习技术应用到其他广泛的场景中的方法。

本书主要内容

● 构建一个游戏 AI， 并教会它自我改进。

● 用深度学习增强经典游戏 AI 系统。

● 实现深度学习的神经网络。

要阅读本书 ， 读者只需具备基本的 Python 技巧和高中水平的数学知识 ， 而不需要任何深度学习经验。

原文链接：https://blog.csdn.net/epubit17/article/details/114122796