进入人工智能、机器学习领域经常要思考的问题

蔚落 2022-09-12 13:57 205阅读 0赞

### 文章目录 ###

*  内容介绍
 *  你是不是很困惑
 *  什么是机器学习？
 *  人工智能呢？
 *  统计学呢？
 *  你的机器学习
 *  您的机器学习解决方案

# 内容介绍 #

机器学习是一个庞大的跨学科研究领域。

您可以通过机器学习获得令人印象深刻的结果，并为非常具有挑战性的问题找到解决方案。但这只是更广泛的机器学习领域的一小部分，通常称为预测建模或预测分析。

在这篇文章中，您将发现如何改变您对机器学习的看法，以便为您作为机器学习从业者提供最好的服务。

看完这篇文章，你会知道：

*  什么是机器学习以及它与人工智能和统计学的关系。
 *  您应该关注的机器学习角落。
 *  如何思考您的问题以及您的问题的机器学习解决方案。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]

# 你是不是很困惑 #

您有一个机器学习问题需要解决，但您对机器学习究竟是什么感到困惑。有充分的理由感到困惑。对于初学者来说很困惑。

机器学习是一个很大的研究领域，如果您专注于解决问题，那么它的大部分内容都不会与您相关。

我们将首先以最广泛的术语描述机器学习，以及它与其他研究领域（如统计学和人工智能）的关系。之后，我们将重点介绍您在实际工程和解决问题时真正需要了解的机器学习方面。

# 什么是机器学习？ #

机器学习是与学习程序相关的计算机科学领域。

> 《Machine Learning》1997 年  
> The field of machine learning is concerned with the question of how to construct computer programs that automatically improve with experience.  
> 机器学习领域关注的是如何构建随着经验自动改进的计算机程序的问题。

有许多类型的学习，许多类型的反馈可供学习，以及许多可以学习的东西。

这可以包括不同类型的学习，例如：

*  开发代码以研究生物种群如何在进化过程中“学习”以适应其环境。
 *  代码来研究大脑中的一个神经元如何“学习”以响应来自其他神经元的刺激。
 *  开发代码来调查蚂蚁如何“学习”从家到食物来源的最佳路径。

我特意给出了这些深奥的例子，以帮助你真正确定机器学习是一个广泛而深远的研究项目。

您可能更熟悉的另一个案例是：

*  开发代码来研究如何“学习”历史数据中的模式。

这并不那么迷人，但却是我们作为从业者深感兴趣的机器学习小角落的基础。

这个角落与其他示例没有区别；在学习方法、基本任务、评估学习的方式等方面可能有很多重叠。

# 人工智能呢？ #

机器学习是人工智能的一个子领域。

人工智能也是计算机科学的一个领域，但它关注的是开发智能程序，或者可以做智能事情。

智能涉及学习，例如机器学习，但可能涉及其他问题，例如推理、计划、记忆等等。

这可以包括不同类型的学习，例如：

*  开发代码以研究如何优化规划物流。
 *  开发代码来调查如何推理一段文本。
 *  开发代码来研究如何感知照片的内容。

人工智能通常以环境中的代理为背景，旨在解决某些问题，但事实并非如此。机器学习可以很容易地被命名为人工学习，以与人工智能保持一致并帮助初学者。线条很模糊。机器学习问题也是人工智能问题。

# 统计学呢？ #

统计学或计算机应用统计学是数学的一个子领域，涉及描述和理解数据中的关系。

这可以包括不同类型的学习，例如：

*  开发模型来总结变量的分布。
 *  开发模型以最好地表征两个变量之间的关系。
 *  开发模型来测试两个观察群体之间的相似性。

还与对学习数据模式感兴趣的机器学习的角落重叠。

许多用于理解统计数据的方法可用于机器学习以学习数据中的模式。这些任务可以称为机器学习或应用统计。

# 你的机器学习 #

机器学习是一个很大的研究领域，它可以帮助您解决特定问题。

但您无需了解所有内容。

*  您不是像机器学习那样研究深奥学习类型的学者。
 *  您不会像在人工智能中那样尝试制作智能代理。
 *  您不想更多地了解为什么变量在数据中像在统计中那样相互关联。

事实上，当谈到学习数据中的关系时：

您不是在研究算法的功能。

*  你不是在开发一个全新的理论或算法。
 *  您不会将现有的机器学习算法扩展到新案例。
 *  这些可能是我们可能感兴趣的机器学习领域的活动，但是针对学者的活动，而不是像您这样的从业者。

那么你需要关注机器学习的哪些部分？

我认为有两种方式来思考机器学习：

*  就您要解决的问题。
 *  就您需要的解决方案。

**你的机器学习问题最好描述**

找到一个模型或程序，它可以充分利用由输入和输出组成的历史数据，以便在给定新的和未见过的未来输入的情况下巧妙地预测输出。

这是超级具体的。

首先，它丢弃了机器学习的整个子领域，例如无监督学习，专注于一种称为监督学习的学习类型以及适合该类别的所有算法。这并不意味着你不能利用无监督的方法；这只是意味着你没有把注意力集中在那里，至少不是一开始。

其次，它为您提供了一个支配所有其他目标的明确目标：即以牺牲模型复杂性、模型可解释性等其他问题为代价的模型技能。同样，这并不意味着这些不重要，只是它们是在模型技能之后或结合模型技能考虑的。

第三，以这种方式构建您的问题非常适合称为预测建模的另一个研究领域。这是一个借用机器学习方法的研究领域，目的是开发能够进行巧妙预测的模型。

在某些业务领域，该领域也可称为预测分析，它不仅仅包含建模组件，还包括收集和准备数据以及部署和维护模型的相关活动。

最近，这项活动也可以称为数据科学，尽管该短语除了解决问题之外还具有发明或发现问题的含义。

我认为你怎么称呼这项活动并不重要。但我确实认为深入了解您对机器学习的兴趣和使用是非常具体的并且与学术界的其他一些用途不同，这一点很重要。

它允许您过滤您阅读的材料和您选择的工具，以便专注于您要解决的问题。

# 您的机器学习解决方案 #

**需要的解决方案最好描述**

自动创建历史数据中输入和相关输出之间未知潜在关系的最可能近似值的模型或程序。

再次，您需要一种自动方法来生成可用于进行预测的程序或模型。

你不能坐下来写代码来解决你的问题。它完全是特定于数据的，并且您拥有大量数据。

事实上，这种类型的问题抵制自上而下的手工编码解决方案。如果你可以坐下来写一些 if 语句来解决你的问题，你就不需要机器学习解决方案。这将是一个编程问题。

您需要的机器学习方法类型将学习历史数据中输入和输出之间的关系。

这种框架使您可以考虑真正的底层但未知的映射函数可能是什么样子，以及历史数据的噪声、损坏和采样可能如何影响由不同建模方法制作的这种映射的近似值。

如果没有这个框架，你会想知道这样的事情：

*  为什么不只有一个超级算法或一组参数。
 *  为什么专家不能只告诉你使用什么算法。
 *  为什么您无法通过模型的预测实现零错误率。

它可以帮助您了解您试图解决的预测建模问题的不明确性质，并设置合理的期望。

**既然您知道如何考虑机器学习，下一步就是改变您对使用机器学习解决方案解决问题的过程的看法。**

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/5069e83c330c49e69e23b3d35c4f4bf5.png