摘要
前期回顧：
機器學習與連續流連載系列丨使用康寧反應器集成在線光譜，通過半監督機器學習識別化學反應式計量和動力學模型
點擊進入原文查看
本期亮點
本期將對機器學習做一次全面感性認識:
什么是機器學習？
機器學習的工作流程是怎樣的？
機器學習有幾種類型？
機器學習也有局限性？
機器學習（Machine Learning, ML）作為人工智能（Artificial Intelligence, AI）的一個分支，正在逐漸改變我們與技術的互動方式。本文將探討機器學習的核心概念、工作流程、類型、優勢與局限。
點擊關注公眾號，我們下期不見不散！
在回答機器學習前，先回到人類的學習，什么叫做學習或者學會了？簡而言之就是發現規律，能根據已有情況，尋找規律，解決新問題。
“過擬合”，打個比方就像某學生做大量題，他死記硬背，只會做已經做過的相同的題，遇到相同知識基礎的新題（稍微變化一下）就不會解答，也就是“泛化能力”差。
比如某某學生在模擬考試中，考試成績好，到了正式考試時，成績不理想，很多家長認為沒有考試運。當然這個有很多原因，比如考試時緊張，身體出現不適等，但有個原因就是其“泛化能力”差，模擬考是他做過的題，沒有從中“泛化”出規律去解答新題。
機器學習類似人類學習，根據大量題型總結規律，根據規律去解決新問題。
人工智能先驅Arthur Samuel，在1950年代將“機器學習”定義為，“使計算機能夠在沒有明確編程的情況下進行學習的研究領域”。
Nvidia認為“機器學習最基本的是使用算法解析數據，從中學習，然后對世界上的事物做出決定或預測。”
傳統編程
機器學習
傳統編程需要寫好嚴格的詳細的程序指令，根據輸入數據得到輸出結果。其難度在于程序的編寫，有時不能覆蓋某些新情況。比如做饅頭，寫好買1kg白面粉，和面加入X kg水，捏好形狀，放入蒸籠蒸X分鐘。如果遇到了玉米粉，它就不會做玉米饅頭了。
機器學習是通過算法和大量的做饅頭的書籍介紹等，總結出通用規律，這樣遇到玉米粉也能輸出相應做玉米饅頭的步驟。所以機器學習難在解析數據結構，發現規律。
機器學習的工作流程包括以下幾個關鍵步驟：
數據收集：從不同來源收集數據，如音樂錄音、患者病史或照片。
數據準備：清洗數據、去除錯誤，并進行格式化，使其適合計算機處理。
選擇和訓練模型：根據任務選擇合適的機器學習模型，并開始訓練過程。
模型優化：通過調整參數或設置來提高模型的準確性。
模型評估：使用未包含在訓練數據中的新數據來測試模型的泛化能力。
模型部署：將訓練和評估好的模型用于對新數據進行預測或識別模式。
機器學習模型主要分為四種類型：
監督學習：使用帶有明確描述或標簽的訓練數據，算法在“監督者”的幫助下學習。監督學習就像做題，有答案和目標可以參照。
無監督學習：使用未標記的訓練數據，目的是在沒有具體指導的情況下發現數據中的模式、結構或關系。
半監督學習：嚴格意義上來說不算獨立分類，顧名思義就是有一部分有明確描述的數據來訓練。例如上篇文章提到的半監督學習。就是先做一部分給答案的題，然后根據規律去做另一半沒有答案的題目。
強化學習：計算機程序通過與環境的交互來學習，通過試錯來確定在特定情境下的最佳行動。
優勢
數據處理能力：機器學習能夠處理大量數據，并自行發現模式和進行預測。
靈活性：機器學習模型可以適應新數據，并隨著時間的推移不斷提高準確性。
自動化：機器學習模型消除了手動數據分析和解釋的需要，實現了決策自動化。
局限
過擬合和泛化問題：機器學習模型可能過于適應訓練數據，導致無法泛化到未見過的例子。
可解釋性：一些機器學習模型像“黑箱”一樣運作，即使是專家也無法解釋它們的決策或預測。
算法偏差：由于訓練數據可能包含人類的偏見，這可能導致算法偏差，產生不公平的結果。
8
立即詢價
您提交后，專屬客服將第一時間為您服務