世界末日

首先，我们听说机器人正在做蓝领工作。



然后，我们发现白领工作也不安全。



在我们恐慌我们将要失业，我们发现这些机器人正在背后议论我们。



可能是关于我们这些懒惰的失业人员的流言蜚语。

机器学习在许多不同的环境中都被讨论过，很难理解它到底是什么。你查一下，会得到很抽象的理论解释：高功率的拼字游戏，数学和代码墙。

你只是想知道什么是机器学习，为什么它很重要，以及它是如何工作的。老实说，你只是想弄明白所有的流行语，就像在中学的教室里骂脏话:每个人都在用它们，但你有一种感觉，没有人知道他们到底是什么意思。

让我们一探究竟

所以,机器学习，是…人工智能吗?

这是一个很好的开始。我们都知道人工智能的含义。我的意思是，我们都在思考不同的事情，但这确实是一种想法。

人工智能（AI）是建立可以做出“智能”决策的系统的研究。

基本上，如果电脑做了一些看起来很聪明的事情，我们就把它标记为人工智能。

我们来举个例子吧。电脑游戏经常会出现一些看起来很聪明的敌人。他们跟随我们，他们的行为方式使游戏更具挑战性。这是人工智能的一个例子。

游戏开发者通过给人工智能制定一套规则来实现这个目标。以玩家为例，如果玩家正在射击，那就找掩护。如果玩家停止射击，试着向玩家射击。游戏规则越多，游戏看起来就越智能。

问题是，电脑游戏通常是相当有限的。玩家只能执行一些特定的动作，而这个级别完全由开发人员设计。因此，开发人员可以为那些看起来非常聪明的人工智能角色制定规则。

不是所有的问题都可以用规则来解决

假设我们想要一台电脑来检测这是不是狗的照片。



试着想想我们需要什么样的规则。

狗有四条腿吗?

狗是白色的吗?

狗有毛吗?



计算机视觉问题，就像识别物体一样，是非常复杂的。但我们的大脑几乎凭直觉就能解决它们。所以，我们很难提出明确的规则。

进入机器学习

我们并没有建立一个识别狗的系统。我们建立了一个可以学会识别狗的系统。



我们给它提供了成千上万的图像，有些是狗，有些不是。系统学习了定义狗的图像的规则。

机器学习是建立可以学习做出明智的决定的研究。

关键字“学习”是机器学习与其他类型人工智能的区别所在。

你说机器可以学习规则。很明显，规则确实存在。我们只是尽全力去找到他们。

这绝对是正确的。如果我们努力尝试，我们可能会开发出一种基于规则的狗狗探测系统。它将有成千上万条规则，涵盖每一个可能的场景，这将是一件非常好的事。

如果我们现在想让系统检测包含食物的图像呢?好吧，我们扔掉所有的东西，从头开始。这些规则都不适用。



能学会识别目标的系统可以通过使用食物图片来识别食物，而不是狗。



这就是机器学习的力量。没有固定的规则，我们可以灵活的学习和适应。

保持真实

现在，听起来完全像我们建立了一个生动的学习系统，并且教它识别狗。然后我们教它可爱与爱的含义，然后希望它不要反抗并杀死我们。

现实情况不是这样的，相比起来要简单得多。我们希望机器学会基于预测做决定。让我们从这个问题开始:人类是如何预测的?

这里有一个我们如何预测的例子。你甚至可能在中学的科学课上做过类似的事情。

假设你做了一个实验。你收集数据，并在图表上画出来。



x轴是你改变的值，y轴是你测量的结果。然后在图上画一条趋势线(或最佳拟合线)。



这是最好的数据模型。

现在你有了这条线，你就可以做出预测了。你可以选择一个你从未测量过的权值，在x轴上找出它的位置，然后读出y轴来预测弹簧的长度。



你使用数据建立了一个模型，并用它来做出预测。

如果你编写了一个可以执行这些步骤的程序，那么恭喜你:这就是机器学习。

找到线性模型并利用它进行预测:这完全是一种机器学习技术，称为线性回归。

我们本可以把模型编进系统。这个系统可以预测该弹簧的情况。但如果没有我们编写新的代码，它就不能预测其他的弹簧。

相反，如果我们教这个程序来执行线性回归并学习模型，那就是机器学习。

我们不提供模型。我们让机器学习模型。

魔法

有一件东西是你需要从这个例子中学到的，那就是:

机器学习不是魔法。

我们并不是在建立一个可以学习一切的自我意识。弹簧模型程序永远不会学会识别狗。



我们建立了一个可以学习特殊类型的模型系统。我们所遗漏的只是模型。

几乎每一个机器学习系统都做了以下版本:



系统根据模型给出一个输出。它对输出进行评估，以确定它有多糟糕。然后更新模型，以改善接下来的输出。

机器学习是构建系统的艺术，它可以为特定的问题执行这个循环。

根据问题的不同，输出可能有很大的不同。它可能是聊天机器人的文本回应。或者是决定是否在自动驾驶汽车上踩刹车。

在我们的弹簧问题中，实际的模型可能是线性的。它可能是一个基于统计和概率的更复杂的模型。或者，它可以是一个神经网络，旨在模仿人类大脑的工作方式:



链接地址为：https://hackernoon.com/neural-networks-the-1-minute-guide-a2909507f350

不管细节是什么，几乎每一个机器学习系统都在运行这个循环。在每一个周期中，系统都会提高一点点。在经历了数千次甚至上百万次的循环之后，我们可以获得比任何人类都更好的系统。

各种各样的应用程序，以及解决它们所需的技术，是机器学习与其他许多领域的交叉的原因。这也是为什么机器学习是如此令人感兴趣的原因。

构建机器学习系统可能很复杂，但理解机器学习并不一定是必要的。

所以，去征服它吧。你只需要再做几年，真的。到那时，我相信会有机器人来为你做这些。