機器學(xué)習(xí)是什么？淺談模式識別和深度學(xué)習(xí)

最近幾年，人工智能概念越來越熱，與人工智能相關(guān)聯(lián)的職位薪資也是水漲船高，然后很多人想要破圈去要做人工智能，那作為產(chǎn)品經(jīng)理我們也需要跟上時代的步伐學(xué)習(xí)一些人工智能的知識，今天我們來探討一下機器學(xué)習(xí)。

在談機器學(xué)習(xí)( machine learning) 之前， 先提一下兩個相關(guān)的名詞： 模式識別( pattern recognition) 和深度學(xué)習(xí)( deep Learning)。

模式識別是很早就發(fā)明出來的技術(shù)，在人工智能發(fā)展初期最被看好。長期以來，計算機都無法處理語音文本的語義識別，圖像代表的含義，通過模式識別就可以做到。模式可以理解為特點特色，簡單說就是某個事物具備的獨特標(biāo)示， 模式識別就是利用待處理數(shù)據(jù)(包括圖像、文本、語音等)的這些特征，將這些數(shù)據(jù)與模式中的各個特點來匹配，這樣我們就能識別出來這些未知事物代表的含義了。不過模式識別也具有很明顯的缺陷，因為需要依賴人對這些事物進行特定的標(biāo)示，簡而言之就是人教會機器通過識別某些特征進而認識這些事物，而不是機器認識的。

深度學(xué)習(xí)于2006年由Hinton等人提出，其基本思想也是參考人類大腦，人類大腦具備學(xué)習(xí)能力，通過對人腦工作機制的梳理，了解了人腦對數(shù)據(jù)的存儲和處理方式，然后建立相應(yīng)的計算模型，這樣就使算法具有自適應(yīng)和自組織的能力。深度學(xué)習(xí)早期的基本算法模型是神經(jīng)網(wǎng)絡(luò)模型，現(xiàn)在已經(jīng)“進化”為卷積神經(jīng)網(wǎng)絡(luò)。

相比于模式識別，深度學(xué)習(xí)可以通過自發(fā)的方式來學(xué)習(xí)如何實現(xiàn)對未知事物的識別，具備自我學(xué)習(xí)進化的能力，是非常成功的前沿技術(shù)。

下面我們舉個簡單的例子，看看“機器學(xué)習(xí)”系統(tǒng)是如何工作的。 假設(shè)我們做出了一個可以對動物進行自動分類的系統(tǒng)，現(xiàn)在，我們要用它在一堆動物照片中挑出貓咪和狗子。 整個過程如下：

先提供大量的貓和狗的照片給到系統(tǒng)，并告知系統(tǒng)哪些是貓，哪些是狗，并不需要告知系統(tǒng)這些動物的具體特征。然后系統(tǒng)根據(jù)告知的圖片來查找圖片之間的共性，比如貓咪的特色，狗子的特色，這樣系統(tǒng)通過大量的數(shù)據(jù)找到貓和狗的共同點，數(shù)量越大，效果越好。以上過程可以稱之為訓(xùn)練，訓(xùn)練結(jié)束后，給系統(tǒng)一些包含貓和狗照片的動物照片，讓系統(tǒng)分辨這些動物照片哪些是貓哪些是狗。以上的過程就是機器學(xué)習(xí)的過程。相比模式識別，最大的差別就是系統(tǒng)可以通過投喂的數(shù)據(jù)自動分析出想要識別的事物的特征，而不再需要人工提供特征數(shù)據(jù)，這就可以大大提高準(zhǔn)備率，大大降低工作量。而且這種方式和需要分別的具體事務(wù)沒有關(guān)系，投喂不同的數(shù)據(jù)就可以識別更多的事物，所以機器學(xué)習(xí)的算法與具體的事物無關(guān)，可以一次開發(fā)多處使用。

以上是對機器學(xué)習(xí)的簡單介紹，如果要完成機器學(xué)習(xí)，還需要更多的技術(shù)支持，比如對于圖片的識別，需要先對圖片進行分析，所以需要強大的系統(tǒng)的支持，我們作為產(chǎn)品經(jīng)理了解到以上的信息基本可以做到對及機器學(xué)習(xí)的掃盲了。

黑馬程序員產(chǎn)品經(jīng)理課程全新升級6.0版【點擊了解詳情】