伴随着阿法狗与人类斗智斗勇的围棋大赛一起到来的，是人工智能的元年。这次对弈让这个被提出已经有50年之久的名词，再次受到全人类的关注。

从今天开始，果果为大家准备了一个新的《人工智能小课堂》系列，系统的介绍下人工智能实现过程中的一些基础理论和方法。

谈机器学习之前，先提一下另外两个相关的名词：「模式识别」和「深度学习」。

近几年三个关键词在谷歌上的搜索热度

模式识别是人工智能初期最被看好的一项「智能技术」。「模式」可以理解为特征，如果用一句话来介绍的话，模式识别就是利用待处理数据（图像、文字、语音等）的特征，与模板匹配，并输出匹配结果。我们当前常用的语音识别、图片中的文字识别等，都可以看做是对模式识别技术的应用。

归根结底，模式识别还是依赖人类赋予的确定规则来对数据进行处理，并不具备「学习」的能力。

在新华字典中，「学习」被解释为「个体由经验或练习引起的在能力或倾向方面的变化，也指变化的过程」。对于计算机程序来说，就是在不修改你的算法的前提下，算法的正确性可以通过「经验」（历史数据）和「练习」（一组有明确结果的数据）来逐步提高。显然，模式识别无法做到这一点。

深度学习是一个「新生」的名词，其概念由Hinton等人于2006年提出，它是机器学习领域中的一个新课题。基本思想是参考人类大脑对数据的存储和处理方式建立计算模型，使得算法具有自适应、自组织的能力。早期的深度学习的基本算法模型是「神经网络模型」，现在已经「进化」为「卷积神经网络」。关于深度学习这里不多讲，感兴趣的同学可以看一下果果前几天的《不懂深度学习，你就OUT了》。

前面我们说到了「模式识别」的局限性：要提高算法的成功率需要工程师不断的对算法进行人肉调优。相信我，这是一件很痛苦的事情。当「人肉调优」的经验积淀到了一定程度之后，突然有个脑洞大开的程序猿（不只是产品经理有脑洞）就提出了让程序「自我调优」甚至「自我实现」的概念，也就是我们现在说的「机器学习」。

下面我们举个简单的例子，看看「机器学习」系统是如何工作的：

假设我们做出了一个可以对物品自动分类的系统，现在，我们要用它在一堆水果中，把苹果和梨子挑出来。整个过程如下：

1、找一批苹果给系统，作为训练数据；

2、系统通过训练数据，找到「苹果」这类水果的共同特征：红色，较圆，表皮光滑；

3、找一批梨子给系统，作为训练数据；

4、系统通过训练数据，找到「梨子」这类水果的共同特征：黄色，形状不规则，表皮粗糙；

5、训练结束后，将待识别的水果交给系统；

6、系统提取待识别水果的特征，与训练结果匹配，判断出是梨还是苹果。

通过上述过程，我们可以推测，如果想让机器识别更多的水果，我们只需要拿一批同种水果作为训练数据，系统训练后，就可以识别这类水果。要提高系统的正确性，在不改变算法的前提下，可以利用加大训练数据数据量的方式来达到目的。

例子很简单，但是如果真的要做出这套「水果」识别系统，需要掌握概率论、统计学、逼近论等学科的理论，还要有计算机视觉、模式识别的技术基础。这些麻烦事儿暂时还是让研究机器学习的工程师去处理吧。

投诉