作者：Daniel Faggella

編譯 | CDA數據分析師

What is Machine Learning?

在谷歌搜索中輸入“什么是機器學習？”打開了一個潘多拉的論壇，學術研究和這里說的 - 本文的目的是簡化機器學習的定義和理解，這要歸功于我們的機器學習研究小組。

除了機器學習（ML）的知情，工作定義之外，我們還旨在簡要概述機器學習的基本原理，讓機器“思考”的挑戰和局限性，以及今天深入解決的一些問題學習（機器學習的“前沿”），以及開發機器學習應用程序的關鍵要點。

我們將這個資源放在一起，以幫助您解決有關機器學習的任何好奇心 - 所以滾動到您感興趣的部分，或者隨意閱讀文章，從下面的機器學習定義開始：

什么是機器學習？

“機器學習是讓計算機像人類一樣學習和行動的科學，通過以觀察和現實世界互動的形式向他們提供數據和信息，以自主的方式改善他們的學習?！?/span>

上述定義包含了機器學習的理想目標或最終目標，正如該領域的許多研究人員所表達的那樣。本文的目的是為具有商業頭腦的讀者提供有關如何定義機器學習及其工作原理的專家觀點。 機器學習和人工智能在許多人的腦海中具有相同的定義，但讀者也應該認識到一些明顯的差異。本文末尾包含參考文獻和相關研究人員的訪談，以便進一步挖掘。

我們如何到達我們的定義：

（我們的聚合機器學習定義可以在本文開頭找到）

與任何概念一樣，機器學習的定義可能略有不同，具體取決于您的要求。我們梳理互聯網，從信譽良好的資源中找到五個實用的定義：

1. “最基本的機器學習是使用算法解析數據，從中學習，然后對世界上某事做出決定或預測的做法?！?- Nvidia
2. “機器學習是讓計算機在沒有明確編程的情況下采取行動的科學?！?- 斯坦福
3. “機器學習基于可以從數據中學習而不依賴于基于規則的編程的算法?！?- 麥肯錫公司
4. “機器學習算法可以通過推廣實例來弄清楚如何執行重要任務?！?- 華盛頓大學
5. “機器學習領域旨在回答這樣一個問題：”我們如何建立能夠根據經驗自動改進的計算機系統，以及管理所有學習過程的基本法則是什么？“ - 卡內基梅隆大學

我們將這些定義發送給我們采訪過和/或包含在我們之前的研究共識中的專家，并要求他們回答他們最喜歡的定義或提供他們自己的定義。我們的介紹性定義旨在反映不同的反應。以下是他們的一些回復：

蒙特利爾大學Yoshua Bengio博士：

ML不應由否定定義（因此裁定2和3）。這是我的定義：

機器學習研究是人工智能研究的一部分，旨在通過數據，觀察和與世界的互動為計算機提供知識。獲得的知識允許計算機正確地推廣到新設置。

Danko Nikolic博士，CSC和Max-Planck研究所：

（編輯上面的數字2）：“機器學習是讓計算機在沒有明確編程的情況下采取行動的科學，而是讓他們自己學習一些技巧?！?/span>

路易斯維爾大學Roman Yampolskiy博士：

機器學習是讓計算機學習和人類做得更好或更好的科學。

華盛頓大學Emily Fox博士：

我最喜歡的定義是5

機器學習基本概念

有許多不同類型的機器學習算法，每天發布數百種，并且它們通常按學習風格（即監督學習，無監督學習，半監督學習）或通過形式或功能的相似性（即分類，回歸，決策樹，聚類，深度學習等）。無論學習風格或功能如何，機器學習算法的所有組合都包含以下內容：

• 表示（一組分類器或計算機理解的語言）
• 評估（又名客觀/評分功能）
• 優化（搜索方法;通常是評分最高的分類器;使用現成的和自定義的優化方法）

機器學習算法的基本目標是 概括超出訓練樣本，即成功解釋之前從未“見過”的數據。

機器學習模型的可視化表示

到目前為止，概念和要點只能用于理解。當人們問“什么是機器學習？”時，他們經常想看看它是什么以及它做了什么。以下是機器學習模型的一些可視化表示，以及附帶的鏈接以獲取更多信息。

決策樹模型：

高斯混合模型：

神經網絡：

使用卷積神經網絡合并色度和亮度：

我們如何讓機器去學習？

有許多不同的方法讓機器學習，從使用基本決策樹到聚類到人工神經網絡層（后者已經讓位于深度學習），取決于你要完成的任務和類型以及您可用的數據量。這種動態在各種應用中發揮作用，如醫療診斷或自動駕駛汽車。

雖然重點通常放在選擇最佳學習算法上，但研究人員發現，一些最有趣的問題都源于可用的機器學習算法。大多數情況下，這是訓練數據的問題，但在新域中使用機器學習時也會出現這種情況。

在處理實際應用程序時所做的研究通常會推動該領域的進展，原因有兩個：1。發現現有方法的界限和局限性的趨勢2.研究人員和開發人員與領域專家合作，利用時間和專業知識來提高系統性能。

有時這也是由“意外”發生的。我們可能會考慮模型集合或許多學習算法的組合來提高準確性，這是一個例子。競爭2009 Netflix Price的團隊發現，當他們將學習者與其他團隊的學習者結合起來時，他們取得了最好的成績，從而改進了推薦算法（請閱讀Netflix的博客，了解他們最終未使用此合奏的原因）。

在業務和其他領域的應用方面，一個重要的觀點（基于對該領域專家的訪談和對話）是機器學習不僅僅是，甚至是自動化，這是一個經常被誤解的概念。如果你這樣想，你一定會錯過機器可以提供的寶貴見解和由此產生的機會（重新思考整個商業模式，例如制造業和農業等行業）。

學習的機器對人類有用，因為它們具有所有處理能力，能夠更快地突出顯示或找到人類可能錯過的大（或其他）數據中的模式。機器學習是一種工具，可用于增強人類解決問題的能力，并從廣泛的問題中做出明智的推斷，從幫助診斷疾病到提出全球氣候變化的解決方案。

挑戰與局限

“機器學習無法從無到有......它的作用是從更少的東西中獲得更多?！?/span> - 華盛頓大學Pedro Domingo博士

機器學習中兩個最大的，歷史性的（和持續的）問題涉及過度擬合（其中模型表現出對訓練數據的偏見，并且不會推廣到新數據，和/或變化，即在訓練新數據時學習隨機事物）和維度（具有更多特征的算法在更高/更多維度上工作，使得理解數據更加困難）。在某些情況下，訪問足夠大的數據集也是主要問題。

機器學習初學者中最常見的錯誤之一是成功地測試訓練數據并具有成功的假象; Domingo（和其他人）強調在測試模型時保持一些數據集是分開的重要性，并且僅使用該保留數據來測試所選模型，然后學習整個數據集。

當學習算法（即學習者）不起作用時，通常更快的成功之路是為機器提供更多數據，其可用性現已成為近期機器和深度學習算法進步的主要驅動因素。年份; 然而，這可能導致可擴展性問題，我們有更多的數據，但有時間了解數據仍然是一個問題。

就目的而言，機器學習本身并不是目的或解決方案。此外，嘗試將其用作一攬子解決方案即“BLANK”并不是一項有用的練習; 相反，帶著問題或目標來到桌面通常最好由一個更具體的問題驅動 - “BLANK”。

深度學習與神經網絡的現代發展

深度學習涉及機器算法的研究和設計，用于在多個抽象級別（安排計算機系統的方式）學習數據的良好表示。最近通過DeepMind，Facebook和其他機構進行深度學習的宣傳突顯了它作為機器學習的“下一個前沿”。

該機器學習國際會議（ICML）被廣泛認為是世界上最重要的項目之一。今年6月在紐約市舉行，匯集了來自世界各地的研究人員，他們致力于解決當前深度學習中的挑戰：

1. 小數據集中的無監督學習
2. 基于模擬的學習和對現實世界的可轉移性

深度學習系統在過去十年中在諸如對象檢測和識別，文本到語音，信息檢索等領域取得了巨大的進步。研究現在專注于開發 數據高效的機器學習，即深度學習系統，可以在更少的時間和更少的數據中以更高的效率學習，在個性化醫療保健，機器人強化學習，情感分析等前沿領域，其他。

應用機器學習的關鍵要點

下面是一系列應用機器學習的最佳實踐和概念，我們已經從我們對播客系列的采訪以及本文末尾引用的選擇來源進行了整理。我們希望這些原則中的一些將闡明如何使用ML，以及如何避免公司和研究人員在啟動ML相關項目時可能容易受到的一些常見陷阱。

• 可以說，在成功的機器學習項目中最重要的因素是功能用來描述數據（這是特定于域），并具有足夠的數據來訓練你的模型擺在首位
• 大多數情況下，當算法表現不佳時，這是由于訓練數據存在問題（即數據量不足/數據偏差;數據噪聲較大;或者描述數據的功能不足以做出決策
• “簡單并不意味著準確性” - 根據多明戈的說法，模型的參數數量和過度傾向之間沒有給定的聯系
• 如果可能的話，應該獲得實驗數據（而不是我們無法控制的觀察數據）（例如，從發送電子郵件的不同變體到隨機觀眾抽樣的數據）
• 無論我們是否標記數據因果關系或相關性，更重要的是預測我們行為的影響
• 始終留出一部分訓練數據集進行交叉驗證; 您希望您選擇的分類器或學習算法在新數據上表現良好