技术相关►AI相关

如何理解机器学习


📚 文章 ( 📝 字数： 555 ⏱ 阅读时间： 2 分钟 )

系列文章见: 《回忆AI时代-从图灵机到Agent》

什么是机器学习

机器学习（Machine Learning, ML）本质就是让计算机“通过数据自己学规律”，而不是人手写规则。

举个例子：如下房价面积表格，人一眼就能看出来这里的规律是面积 * 2 = 房价，机器学习的目标就是，不告诉机器公式，让它自己从数据中学出来。

面积(㎡) 房价(万)
50 100
60 120
70 140
80 160

用一个Python程序来举例学习房价表格的规律：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
 # 训练数据
x = [50, 60, 70, 80]
y = [100, 120, 140, 160]

# 机器随机猜一个参数
w = 1.0

# 学习率
lr = 0.0001

# 训练10000次
for epoch in range(10000):

    grad = 0

    # 计算梯度
    for xi, yi in zip(x, y):
        pred = w * xi
        grad += (pred - yi) * xi

    # 更新参数
    w = w - lr * grad

print("学到的参数:", w)

# 预测
area = 90
price = w * area

print("90平米预测房价:", price)

运行结果大概：

1
2
学到的参数: 2.0
90平米预测房价: 180

程序运行逻辑：

1
2
3
4
5
6
7
猜
↓
算错多少
↓
调整
↓
再猜

譬如：

1
w = 1

于是

1
2
50㎡ -> 50万
60㎡ -> 60万

然后计算误差：

1
2
3
4
真实值: 100
预测值: 50

误差 = 50

根据误差调整参数：

1
w = w - lr * grad

最终 w=2，和我们人算出来的一样，这就是机器学习，用一句话解释它规则 + 数据 = 结果。

机器学习三大类型

  • 监督学习：有标准答案的。
  • 无监督学习：没有标准答案。
  • 强化学习：通过奖励和惩罚学习。
  1. 监督学习（Supervised Learning）
    有标准答案。
1
2
3
图片 → 猫
图片 → 狗
图片 → 猫

学习后：

1
新图片 → 猫

应用场景：

  • 垃圾邮件识别
  • 房价预测
  • 图像分类
  1. 无监督学习（Unsupervised Learning）
    没有彼岸准答案，自己找规律，譬如：
1
2
3
4
用户A
用户B
用户C
...

自动分类：

1
2
3
年轻用户
中年用户
老年用户

应用场景：

  • 用户画像
  • 聚类分析
  • 异常检测
  1. 强化学习（Reinforcement Learning）
    通过奖励和惩罚学习，如下棋：
1
2
3
4
走一步
↓
赢了 +1
输了 -1

经过几百万局,学会最佳策略。应用场景：

  • AlphaGo
  • 游戏AI
  • 机器人控制