介绍
第 1 篇--人工智能简介（点击查看）
第 2 篇--理解机器学习[当前内容]
第 3 篇--深度学习基础
第 4 篇--生成式人工智能简介
第 5 篇--什么是大型语言模型 (LLM)？
第 6 篇--快速工程：与人工智能沟通的艺术
第 7 篇--生成式人工智能中的伦理考量
下面是本系列第二篇内容——理解机器学习
机器学习 (ML) —— 从孩子的角度
在我们之前的文章中，我们谈到了让机器人识别狗。假设我们想让机器人识别几种动物。
为此，我们将向他展示各种狗、猫、兔子和其他动物的图片，并在每张图片上贴上动物的名字 。我们训练机器人根据大小、颜色、体形、声音等识别动物。
一旦训练完成，机器人就能识别我们训练它识别的这些动物。
并非所有的狗都长得一模一样。但是，一旦机器人看过很多狗的图片，它就能识别任何狗，即使它看起来与特定图片并不完全一样。我们需要向机器人展示大量狗的图片。它看的图片越多，效率就越高。
这就是机器学习——通过提供大量示例图片（或任何其他信息）来教导机器人（或任何机器）。
人工智能的一个子集 这使得机器（或计算机）能够从数据中学习并做出决策
监督学习 无监督学习 强化学习
每种类型都有不同的用途，并涉及从数据中学习的不同方法。让我们仔细看看所有这些类型。
1-监督学习
让我们以同样的例子来说明如何让机器人识别动物。
当我们通过展示动物图片来训练机器人时，我们会给每张图片贴上动物的名字。所以，我们充当了机器人的老师。我们首先告诉机器人狗或猫长什么样，然后它才能识别它们。在机器学习中，我们称之为监督学习。
下图总结了监督学习的重要点。
监督学习的实际应用
监督学习广泛应用于各种实际应用中，其中算法在标记数据上进行训练以进行预测或分类。以下是一些示例：
垃圾邮件过滤
根据从内容、发件人信息和其他相关属性得出的特征将电子邮件分类为垃圾邮件或非垃圾邮件。
图像分类
识别图像中的物体或模式，例如对动物进行分类、识别手写数字或检测自动驾驶汽车中的物体。
面部识别
根据面部特征识别和验证个人，用于安全系统或解锁设备。
金融欺诈检测
通过分析财务数据中的模式和异常来识别潜在的欺诈交易。
语音识别
将口语转换为文本，如 Siri 或 Google Assistant 等语音助手所见。
2-无监督学习
让我们从孩子的学校例子来理解这一点。当孩子们第一天去上课时，他们会遇到很多同学。起初，所有的同学对他们来说都是一样的。但随着时间的推移，他们自己把同学分为不同的组：
他们发现一些同学非常优秀并想与他们交朋友 他们发现有些人很粗鲁或令人恼火，并想避开他们 他们发现一些运动员非常优秀，并希望与他们加入同一支队伍 等等…
当孩子们对同学进行分类时，没有人告诉他们该怎么做。他们自己做到了，无需任何人的帮助。——这就是无监督学习的工作原理。
让我们举一个合适的机器学习例子。想象一下，我们向我们的机器人展示了许多没有任何标签的狗、猫、兔子等的图片，并告诉他—— “我不会告诉你哪个是哪个。去探索并弄清楚”。
机器人开始观察这些动物，注意它们的皮毛、大小和移动方式等。它还不知道它们的名字，但它正在尝试自己寻找模式和差异。
有些动物有长耳朵（兔子） 有些动物有柔软的皮毛和尾巴（猫） 有些动物会摇尾巴（狗）
无需你直接告诉它，它就能计算出这些类别。
下图总结了无监督学习的重要点。
无监督学习用于各种实际场景，其中数据未标记，算法需要发现数据中的模式、结构或关系。以下是一些示例：
聚类客户细分
企业使用无监督学习，特别是像 k-means 这样的聚类算法，根据客户的购买行为对其进行细分。这有助于有针对性的营销和个性化服务。
网络安全中的异常检测
无监督学习用于识别网络流量中的异常模式或行为。任何偏离正常行为的行为都可能被标记为潜在的安全威胁。
推荐系统
无监督学习用于推荐系统。通过识别用户行为模式，这些系统可以推荐用户可能喜欢的产品、电影或内容。
3-强化学习
想象一下教一只狗一个新把戏——当它正确地完成这个把戏时，你会给它一些零食奖励，当它做错时，你不会给它零食。随着时间的推移，狗会学会表演这个把戏来获得更多的零食。
同样地，强化学习是：
训练计算机做出决策 奖励好的选择，惩罚坏的选择 就像你可以用零食训练狗狗学习技巧一样
在强化学习中，有一个代理（例如机器人或计算机程序）与环境交互。我们以教计算机程序玩游戏（例如国际象棋）为例。
在这种情况下，计算机程序是代理，而棋类游戏是环境 计算机程序可以在游戏中做出不同的举动，例如移动棋子 每次移动后，它都会根据游戏结果收到反馈（奖励或惩罚） 如果程序赢得了游戏，它就会获得积极的奖励 如果它输掉了比赛，它就会得到负面奖励，或“惩罚” 通过反复试验，程序可以了解哪些举动可以带来最佳回报，从而帮助它找出赢得游戏的最佳举动顺序
强化学习之所以强大，是因为它允许机器从经验中学习，并在复杂、不确定的环境中做出决策——类似于我们在现实世界中通过反复试验来学习。
下图总结了强化学习的重要点。
玩游戏是强化学习的主要用例之一
AlphaGo是由 DeepMind 开发的计算机程序，它利用强化学习在围棋游戏中表现出超越人类的水平。它击败了世界冠军，并展示了强化学习在掌握复杂游戏方面的强大能力。
另一个例子是自动驾驶汽车。强化学习用于自动驾驶汽车的开发。代理通过从模拟和现实世界的经验中不断学习，学习如何导航交通、在路口做出决策以及应对各种驾驶条件。
强化学习也用于算法交易，以做出购买或出售金融工具的决策。代理根据历史市场数据和实时市场情况学习最佳交易策略。
机器学习是人工智能的一个分支，我们让计算机从示例和经验中学习。我们不需要明确编程，而是让机器从数据中学习并自行解决问题。无论是识别我们喜欢的歌曲、理解我们的语音命令，还是帮助医生分析医学图像，机器学习已经成为我们日常生活的一部分。
