机器学习，机器“学习”

如果你渴望奇迹，那么机器学习对你来说是一场精神盛宴。我诚挚的邀请你一同前往。

我为什么总是要读这些人工智能、机器学习的书，不仅仅是为了学习到相关知识，更重要的，是可以增强斗志、强化信念，增加自己对于机器学习和人工智能的兴趣和自信。
我自认为生活在一个好的时代，从事了这样一个非常棒的行业，尽管有太多的缺点：人傻钱多死得早，但是，能够为世界创造出真正有意义的东西的机会，并不是每个人都有的。

最重要的是，机器学习所表现出的神奇，不亚于第一次看到电视机里可以出现人影一样。还记得小时候我总是跑到电视机后面去看看到底发生了什么。

很显然，那时候我并没有意识到，那是电视机播放的影像。我也不知道具体发生了什么。而机器学习带给我的震撼也是如此。

这里有一个概念，知识与技能，知识是死的，例如北京有多大？上海GDP是多少？这就是存储的一个个数据，目前计算机可以做的很好。但是另一方面，就是技能。例如开车，例如作画。这种是一种行为，在计算机里，是被描述成程序。它是动态的。

我们现在一直说，机器学习，那么机器究竟是如何学习？机器的学习是弱学习，怎么这么说。例如，我们要学下面条，我们已经大概知道大致的流程，例如，先放上水，过一会再下面，然后再过一会，我们放佐料，例如盐、味精等等。然后，机器如果学下面条，学的是什么呢？它不是学这个流程，而是学水的量，烧水的时间，水开了多久下面，面要下多少，再煮多少时间，放什么样的佐料，学的是这些。

因此，它并没有真正的学习下面条这样一项技能，而仅仅是精确了下面条各项步骤。当然，我这样说，似乎不是太合适，但是有一点，目前的冯诺依曼架构的计算机只允许修改数据，而不允许修改算法本身，也就是说，它并不能修改它自身的编码。

如果明确了这一点，我们那些基于美国大片的担忧，就基本上可以不用存在了。曾经我举了例子，说如果是让一个超级电脑来计算pi的值，它可能会杀掉所有生物，占领整个宇宙，但仅仅只是为了让pi的值更加精确。

但事实上，就目前的机器学习的框架而言，这种情况并不会存在。因为它的目标函数未改变的情况下，它的行为是有限的，是由它的行为编码所控制的，它并不能改变自身行为的编码。这既是我们的幸运，也是我们的不幸。

我们举个例子：
如果开一家公司，那么公司的产业要分3步：
第一步是个体户，所有行为，老板亲力亲为，就像路边店里的馄饨一样，老板自己知道常来客人的口味和喜好。
第二步是小公司，所有行为，老板自己顾不来了，于是就雇佣员工，建立数据库，来记载所有客人的口味和喜好。
第三步是大公司，用户实在是太多了，根本没有谁能够总结出所有客人喜欢什么，不喜欢什么。这时候就需要机器学习从大量的样本中，获取到有用的但又潜在的关系。为接下来的顾客来服务。

我们再来举个例子：
机器学习可以用来管理人事么？在公司里的认识晋升，在企业中的招聘人才，可以使用这种方法吗？理论上讲，是可以，但是困难有这么几个方面：

1. 用人本来就是和领导的主观思考有关系，可能出现用人不当，但是有主观爱好的，例如主管是雷厉风行，则可能更喜欢雷厉风行的下属等等。
2. 训练数据过少，就算是很大的企业，也不过几万人，流动数目一年大概只有几百人（BAT），数据量太少，预测出的结果不一定对。

现在的时代，除了人才是重要的，另一方面是数据，只要有了数据，就可以让机器习得很多有用的技能。像京东万象就已经开始在卖数据了。

这类似于前几年的数据挖掘，但是现在流行语，叫做机器学习。下面我们开个头，简要的介绍一下机器学习的5个学派：

1. 符号学派：符号学派将学习看作是逆向演绎，并从哲学、心理学、逻辑学中寻求洞见。其主算法是逆向演绎
2. 联结学派：联结学派是对大脑进行逆向分析，灵感来源于神经科学和物理学。其主算法是：反向传播。
3. 进化学派：进化学派在计算机上模拟进化，并利用遗传学和进化生物学知识。其主算法是：遗传编程。
4. 贝叶斯学派：贝叶斯学派认为学习是一种概率推理形式，理论根基在于统计学。其主算法是：贝叶斯推理。
5. 类推学派：类推学派通过对相似性判断的外推来进行学习，并受心理学和数学最优化的影响。其主算法是：支持向量机。

在日常的学习中，难免有困难，有挫折，有艰苦的时候，有绝望的时候，这时候，都是靠着自身对于这份事业的热爱和忠诚，让我相信人工智能终将能够成功。我愿意为这份事业奉献自己的一生。