AI时代装逼指南（二）：如何让自己看起来很懂机器学习？

什么是算法？它是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令。

如果不太明白的话，我们来举个简单的栗子：

假如你需要得到一个为9的值，那么你可用3x3，也可以用1x9，甚至你可以更调皮一点用（5-2）x3，这些解决问题的方案我们称之为“算法”（当然计算机中应用的算法不可能这么简单啦）。

然后我们把这个假设的主体换成计算机：如果你需要计算机去完成一个任务，那么你在告诉计算机做什么的同时也要教它怎么做，关于怎么做的一系列指令就叫做“算法”

在上面的例子中，很明显3x3的方法比（5-2）x3要“聪明”一些，算法的成熟就是与此类似的一种变“聪明”的过程，这样就能适应各种各样的实际状况，正确而高效的输出应当得到的结果。

大数据的概念也许你已经不陌生了，人类每时每刻都能产生大量数据，随着互联网、计算机的不断发展，大数据的存储变得不那么困难了。这些源源不断的数据为人工智能的发展提供了充足的学习样本，可以说是人工智能的“肥料”。

计算机需要通过不断地运算，才能将大数据的“营养”进行“吸收”，演变成各种“模型”，进一步模拟人类智能。而运算能力的提升，可以大幅度降低这个训练过程的时间成本。

举个例子：GPU的运算速度是CPU的5-10倍左右，训练同样的模型，如果用CPU需要一个礼拜的话，那么使用GPU的话，只需要一天时间就可以了，所以运算能力的提升对人工智能发展的重要程度不言而喻。

除了以上三个概念，机器学习（Machine Learning, ML）作为人工智能的核心，是AI学习当中最为重（zhuang）要（bi）的部分，值得你为他聚焦所有视线哦。

机器学习的定义说起来很简单：就是一门可以让机器变得和人类一样具有学习能力的科学，但是人类的智慧当然没有这么容易被模仿。

所以机器学习同时也非常复杂，它涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等balabala一大堆学科。（随便记住几个，聊起天来备有面儿~）

机器学习的分类方式有很多，但是主流分类为：监督学习、非监督学习、强化学习（逼格加分点，请务必牢记）

这是一种把经过标记和分类的数据，作为训练样本的机器学习方式，你可以简单的理解成我们投喂给机器的“数据肥料”是经过分类和加工的。

监督学习又可以分为“回归”和“分类”问题：

在回归问题中，我们会预测一个连续值。也就是说我们试图将输入变量和输出用一个连续函数对应起来；而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。

好的，又到了举几个简单例子的时间~

我们用类别标签（比如将一堆图片分类成“猫咪”和“狗狗”）或数值标签（比如一些二手房的房价）来标记数据，将这些标记好的数据输入给计算机：

监督学习的目的是通过学习这些有标签的样本，然后对新的数据做出预测。例如，准确识别新照片上的动物（分类）或者预测二手房的售价（回归）。

监督学习目前主要应用在分类，比如根据用户的购买习惯将用户进行分类，分别推送不同的商品，就是用到的监督学习哦。

非监督学习与监督学习的区别之一在于数据是否具有相关标签，也就是说非监督学习中给定的数据是没有经过分类和标记的。

非监督学习的目标是找出数据中存在的内在结构，使复杂数据看起来更简单。

比如你给计算机输入一堆没有分类的图片数据，里面有猫咪也有狗狗：

之后计算机找到这组数据存在的内在结构和规律，将这批复杂数据进行简化：

强化学习是通过不断的试错来找到解决方案的学习模型，是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。

我们假设使用强化学习模型让一个机器人“阿尔法猫”学会打乒乓球。刚开始“阿尔法猫”挥着拍子做一些随机动作，完全不知道怎么办才好。

但是一旦“阿尔法猫”接到球，就会触发“奖励信号”函数值变大的事件，之后“阿尔法猫”做这个正确姿势的概率会增大。

经过大量的训练，“阿尔法猫”在这种奖励机制下就能学会打球啦，说不定不久之后你都不是他的对手呢~

值得一提的是，AlphaGo也使用了强化学习模型哦

今天的AI科普就到这里啦，下一篇我们将介绍AI目前的应用和对人类的影响，还有各种关于人工智能的猜想等你来了解！

点击查看AI装逼指南（一）