建立从数据中学习的系统是解决复杂问题的非常的一种方法，这样，就会有足够多的有意义的数据可以进行学习，你最近可能不止几次遇到“机器学习”这个术语。机器学习通常与人工智能交替使用，实际上是AI的一个子集，两者都可以追溯到1950年代后期的麻省理工学院。

　　不管你知道与否，机器学习都是你每天都可能遇到的事情。西丽和Alexa的语音助手，脸谱网和微软的面部识别，亚马逊和Netflix的建议，这项技术，使自我驾驶汽车崩溃的东西-都是机器学习的进步的结果。

　　虽然目前还远没有像人脑那样复杂，但基于机器学习的系统已经取得了一些令人印象深刻的成就，例如击败国际象棋中的人类挑战者，危险，围棋，德克萨斯等等。

　　几十年来，由于过度炒作和不现实(AI变得恶名远扬)，人工智能和机器学习都在过去几年里取得了巨大的复兴，这要归功于大量的技术突破，廉价计算的巨大爆炸。

　　自学软件

　　那么什么是机器学习呢? 我们先来看一下它不是什么：传统的手工编码的人机编程的计算应用程序。

　　与传统的软件不同，传统的软件在遵循指令的同时也很可怕，但机器学习系统本身就是自己编写的，通过实例进行泛化来开发自己的指令。

　　典型的例子是图像识别。 显示机器学习系统足够的狗照片(标记为“狗”)，以及猫，树，婴儿，香蕉或任何其他物体(标记为“不是狗”)的图片，如果系统正确训练， 最终擅长识别犬只，没有一个人曾经告诉过狗应该是什么样子的。

　　您的电子邮件程序中的垃圾邮件过滤器是机器学习的良好示例。 在暴露了数亿个垃圾邮件样本以及非垃圾邮件之后，它已经学会了确定这些令人讨厌的垃圾邮件的关键特征。 虽然还并不完美，但它通常是非常准确的。

　　监督与无监督学习

　　这种机器学习被称为监督学习，这意味着有人将机器学习算法暴露于一组庞大的训练数据，检查其输出，然后不断调整其设置，直到产生预期结果，当显示数据未见到。 (这类似于当过滤器意外收集合法邮件时，单击收件箱中的“不是垃圾邮件”按钮。您所做的越多，过滤器的准确性越高。)

　　最常见的监督学习任务涉及分类和预测(即“回归”)。 垃圾邮件检测和图像识别都是分类问题。 预测股价是回归问题的典型例子。

　　第二种机器学习称为无监督学习。 这是系统渗透大量数据的地方，以了解“正常”数据的外观，因此可以检测异常和隐藏模式。 当您不真正了解您要查找的内容时，无人值守机器学习非常有用，因此您无法对系统进行培训。

　　无监督的机器学习系统可以识别大量数据的模式比人类快多倍，这就是为什么银行使用它们来标记欺诈性交易，营销人员部署它们来识别具有相似属性的客户，安全软件使用它们来检测敌对活动 一个网络。

　　聚类和关联规则学习是无监督学习算法的两个例子。聚类是客户细分背后的秘密规则，关联规则学习用于推荐引擎。

　　机器学习的局限性

　　因为每个机器学习系统创建自己的连接，所以一个特定的实际工作可以是一个黑盒子。 您不能总是逆向工程，以发现为什么您的系统可以区分北京人和波斯人。 只要它有效，这并不重要。

　　但是一个机器学习系统只能像它所暴露的数据一样好，这是一个典型的“垃圾输入，垃圾输出”的例子。当训练不足或暴露在不足够的数据集时，机器学习算法会产生不仅是错误的，而且会出现带有歧视性的结果。

　　惠普在2009年面临麻烦，当时在惠普MediaSmart笔记本电脑上的网络摄像机内置的面部识别技术无法侦测到非裔美国人的脸。 2015年6月，Google相册应用程式中的错误算法将两名黑人美国人错误地标记为大猩猩。

　　另一个戏剧性的例子：微软的失败的Taybot，2016年3月的一个实验，看看AI系统是否可以通过学习推文来模拟人的对话。在不到一天的时间里，Twitter把Tay变成了一个来自地狱、带着无限恶意的聊天机器人。

　　机器学习词汇

　　但机器学习实际上只是人工智能的冰山一角。 与机器学习密切相关的其他术语是神经网络，深度学习和认知计算。

　　神经网络。一种计算机结构，设计用来模拟大脑中神经元的结构，每个人造神经元(微电路)连接到系统内的其他神经元。神经网络是按层次排列的，一层的神经元将数据传递到下一层的多个神经元，等等，直到最后它们到达输出层。最后一层是神经网络给出的最佳猜测，比如，这个狗形状的物体是什么，以及一个信心指数。

　　要把计算模型划分为神经网络，通常需要大量彼此连接的节点 (也称 ‘神经元’)，并且具备两个特性：　每个神经元，通过某种特定的输出函数 (也叫激励函数 activation function)，计算处理来自其它相邻神经元的加权输入值;神经元之间的信息传递的强度，用所谓加权值来定义，算法会不断自我学习，调整这个加权值

　　在此基础上，神经网络的计算模型，依靠大量的数据来训练，还需要：

　　成本函数 (cost function)：用来定量评估根据特定输入值， 计算出来的输出结果，离正确值有多远，结果有多靠谱

　　学习的算法 ( learning algorithm )：这是根据成本函数的结果， 自学， 纠错， 最快地找到神经元之间最优化的加权值

　　用小明、小红和隔壁老王们都可以听懂的语言来解释，神经网络算法的核心就是：计算、连接、评估、纠错、疯狂培训。

　　随着神经网络研究的不断变迁，其计算特点和传统的生物神经元的连接模型渐渐脱钩。

　　但是它保留的精髓是：非线性、分布式、并行计算、自适应、自组织。

　　神经网络作为一个计算模型的理论，1943年 最初由科学家 Warren McCulloch 和 Walter Pitts 提出。

　　康内尔大学教授 Frank Rosenblatt 1957年 提出的“感知器” (Perceptron)，是第一个用算法来精确定义神经网络，第一个具有自组织自学习能力的数学模型，是日后许多新的神经网络模型的始祖。

　　Rosenblatt 乐观地预测，感知器最终可以 “学习、做决定、翻译语言”。感知器的技术，六十年代一度走红，美国海军曾出资支持这个技术的研究，期望它 “以后可以自己走、说话、看、读、自我复制、甚至拥有自我意识”。

　　有多种类型的神经网络来解决不同类型的问题。 具有大量层次的网络称为“深层神经网络”。神经网络是机器学习场景中使用的一些最重要的工具，但不是唯一的。

　　深入学习 这本质上是类固醇的机器学习，使用多层(深)神经网络基于“不完美”或不完整的信息来做出决定。 深度学习系统DeepStack是去年12月份打败了11名专业扑克玩家，在每场下注后不断重新计算其战略。

　　认知计算。这是IBM所青睐的术语，沃森是超级计算机的创造者，它在2011年将人类的屁股踢得很危险。在IBM看来，认知计算和人工智能之间的区别在于，认知计算的目的不是取代人类的智能，而是为了增强它的能力，让医生能够更准确地诊断疾病，财务经理可以做出更明智的建议，律师可以更快地搜索caselaw，等等。

　　IBM行政总裁罗梅蒂(Ginni Rometty)在今年的CES发表演讲，提及我们正步入认知的年代。过去10年，IBM一直在推进名为Watson的认知计算(Cognitive Computing)项目。该项目曾于2011年参加智力竞赛节目《危险边缘》，并成功力挫群雄而一举成名。IBM等一众科技公司推断，认知计算将为人类带来革命性改变，其独特之处在于通过大数据 的方式，利用数据采撷、模式识别和自然语言处理，令机器可以像人脑一样自行学习。

　　如果说到应用的领域，其实从文献和新闻来看：医疗、金融、客服服务、保险、交通，包括情报工作，都可以应用认知计算。以IBM来看，现有新闻显示：

　　目前，IBM重点在医疗、金融和客户服务三个领域推行认知计算。在医疗行业，认知计算提供个性化服务，协助医生搜索和分析，担任医生的咨询助手;在金融行业，它可以解读财务、法规、经济和社会数据等信息，提高商业洞察力;至于客户服务方面，它通过分析客户行为，提供更好的体验与互动。

　　以医疗行业为例，目前全球糖尿病患者超过4亿人，每年花于糖尿病管理的费用就超过6000亿美元。自我管理对于糖尿病患者既可能是一种释放，同时也伴随着风险，不小心就会让他们成为急症室常客;因此能否提前3小时预测糖尿病发作，就成为关键。

　　最近，Watson与医疗科技公司Medtronic合作，开发出一款应用产品，能够持续监测用户消耗的卡路里、血糖含量以及精确到以克计算摄食量。例如在餐厅中，糖尿病患者可在进餐前计算他拟点的菜肴会对这一天的摄入有什么影响，便能在3小时前预测到病发机会。

　　通过建立特殊领域知识分类技术，令认知系统能够充分理解问题，并可给出被人类理解的答案，这个把思维过程模拟为计算模型的突破非同小可。与其说这是建立一套模拟人类思考的科学，不如说它可以加强我们对这个世界的认知，从而增强人类的智力和决策能力。特别是在那些牵涉复杂情感和推理的问题上，认知计算将发挥不凡威力，虽然不能代替人类决策，但可为人类提供决策的建议以及背后的理由。

　　当然，这是一个泛泛的概述，还不够深入。那些想要更深入地了解人工智能和机器学习的人，可以从华盛顿大学Pedro Domingos的这一半不靠谱的教程开始，或者是Pedro Domingos的一系列中篇文章，以及由InfoWorld的马丁海勒所做的“深度学习”。

　　尽管有关于人工智能的种种炒作，但说机器学习和相关技术正在改变我们所知的世界，这并不是一种夸张的说法。最好现在就去了解它，在机器完全自我意识之前。

　　责任编辑：DJ编辑