【机器学习】01--领域与应用

文章导读：

人工智能起来，咱中国人爱跟风，都跟着搞，而在互联网行业，叫做造势（其实就圈钱吧，做出来也是一种概率性）

给定一样例集合以及每个样例是否属于某一概念的标注，怎样自动推断出该概念的一般定义。这一问题被称为概念学习（concept learning）许多机器学习问题涉及到从特殊训练样例中得到一般概念。

比如人们不断学习的一些一般概念和类别包括：鸟类、汽车、太阳等。每个概念可被看作一个对象或事件集合，它是从更大的集合中选取的子集（如从动物的集合中选取鸟类），或者是在这个较大集合中定义的布尔函数（如在动物集合中定义的函数，它对鸟类产生true 并对其他动物产生false）。

机器学习这门学科所关注的问题是什么?

•计算机程序如何随着经验积累自动提高性能

本文解决问题：

1、人工智能的热点

2、人工智能技术领域

3、机器学习的有趣应用

4、机器学习现状

5、机器学习相关的学科

---

1、人工智能的热点：

阿尔法围棋（AlphaGo）是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能程序，由谷歌（Google）旗下DeepMind公司戴密斯·哈萨比斯领衔的团队开发。其主要工作原理是“深度学习”。

2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜；

2016年末2017年初，该程序在中国棋类网站上以“大师”（Master）为注册帐号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩；

2017年5月，在中国乌镇围棋峰会上，它与排名世界第一的世界围棋冠军柯洁对战，以3比0的总比分获胜。

围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平，在GoRatings网站公布的世界职业围棋排名中，其等级分曾超过排名人类第一的棋手柯洁。

2017年5月27日，在柯洁与阿尔法围棋的人机大战之后，阿尔法围棋团队宣布阿尔法围棋将不再参加围棋比赛。

•人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 

•人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

2、人工智能技术领域：

•基于规则的专家系统

采用多个分支，不断的细分逻辑。（现阶段成功的实例，比如说淘宝客服，咱不断选择，它不断给答案）

•贝叶斯推理

大家思考一个问题，一个黄色的水果，是梨的可能性大还是苹果的可能性大呢？（概率推理）

•模糊逻辑

大家再思考一个问题，你同桌的眼睛大吗？个子高吗？能说出理由吗？（界限比较模糊，用在游戏方面多点）上面是以温度作为例子，怎么算热怎么算不热呢，相对比较。

•DNA算法（商旅问题、无监督学习）

商旅问题又译为旅行推销员问题、货郎担问题，简称为TSP问题，是最基本的路线问题，

该问题是在寻求单一旅行者由起点出发，通过所有给定的需求点之后，最后再回到原点的最小路径成本。

字面上的理解是：有一个推销员，要到n个城市推销商品，他要找出一个包含所有n个城市的具有最短路程的环路。

找最优3791次运行。

找最优2469次运行。

•人工神经网络

人工神经网络之父：GeoffreyHinton

•混合智能系统

•其他众多机器学习算法等

3、机器学习的有趣应用

•推荐系统（带来上亿的收入）

场景：

1、比如说一些大型的网站，比如说我们的淘宝网、京东网，我们买完东西，会出现推荐的商品，而这些推荐的商品跟我们买的在某些方面肯定是类似的

2、打开手机淘宝，会有一个专栏是推荐专栏

•图片处理（安保领域）

看一下下面的图片的处理

•线稿自动上色（自己艺术细胞不行，减少劳动力）

本地上传一张素描照片。

我们不会染色，相对头发染红色，利用软件给头发画画红的，就会出现相应的效果。

4、机器学习现状：

•目前，我们还不知道怎样使计算机的学习能力和人类相媲美。

•一些针对特定学习任务的算法已经产生。人们开发出了很多实践性的计算机程序来实现不同类型的学习，一些商业化的应用也已经出现。

 •随着对计算机的理解的日益成熟，机器学习必将在计算机科学和技术中扮演越来越重要的角色！

商业案例：

•所有最成功的语音识别系统都使用了某种形式的机器学习技术。

•机器学习方法已被用于训练计算机控制的车辆，使其在各种类型的道路上正确行驶。

•机器学习方法已经被用于从各种大规模的数据库中发现隐藏的一般规律。

•学习以世界级的水平对弈

5、机器学习相关的学科

•贝叶斯方法

•作为计算假设概率的基础的贝叶斯法则。朴素贝叶斯分类器。估计未观测到变量的值的算法。

•计算复杂性理论

•不同学习任务中固有的复杂性的理论边界，以计算量、训练样例数量、出错数量等衡量。

•控制论

•为了优化预定目标，学习对各种处理过程进行控制，学习预测被控制的过程的下一个状态。

•人工智能

•学习概念的符号表示。

•作为搜索问题的机器学习。

•作为提高问题求解能力途径的学习。

•使用先验的知识和训练数据一起引导学习。

•心理学和神经生物学

•实践的幂定律，该定律指出对于很大范围内的学习问题，人们的反应速度随着实践次数的幂级提高。激发人工神经网络的学习模式的神经生物学研究。

•统计学

•在估计有限数据样本上的假设精度时出现的误差（例如偏差和方差）的刻画。置信区间，统计检验。

•信息论

•熵和信息内容的度量。学习的最小描述长度方法。编码假设时，它的最佳编码和与最佳训练序列的关系

•哲学

•奥坎姆的剃刀：最简单的假设是最好的。从观察到的数据泛化的理由分析。主要思想为简单的理论（或假设）优于复杂的。