机器学习开篇之什么是机器学习

目录

1  机器学习（Maching Learning）

1.1  机器学习

1.2  显著式编程

1.3  非显著式编程

1.4  逻辑定义

---

1  机器学习（Maching Learning）

1.1  机器学习

        人工智能的先驱之一阿瑟·萨缪尔曾说过：机器学习就是通过编程赋予计算机学习的能力，并且这种能力不是通过显著式编程获得的。

   

1.2  显著式编程

那么，什么又是显著式编程呢？

       举个例子，我们需要计算机识别菊花和玫瑰花，我们通过编程告诉计算机菊花是黄色，玫瑰花是红色。因此，计算机识别出黄色就判定为菊花，识别到红色就判定为玫瑰花，这就是显著式编程。

      机器学习并不采用显著式编程，而是采用与其对立的非显著式编程。

1.3  非显著式编程

非显著式编程和显著式编程又有什么区别呢？

        同样的例子，我们需要计算机识别菊花和玫瑰花，现在我们拥有大量的菊花和玫瑰花的图片，我们并不需要去告诉计算机，菊花是什么样的，玫瑰花又是什么样的，即我们事先并不约束计算机必须总结什么样的规律，而是通过编程让计算机根据大量的图片数据，总结二者的特征区别，并让计算机选出最能区分菊花和玫瑰花的规律特征，来进行菊花和玫瑰花的识别。即通过计算机自主学习，达到识别的目的，这就是机器学习。

1.4  逻辑定义

另外还有一个逻辑性更强的机器学习定义：

        一个计算机程序被称为可以学习，是指它能够针对某个任务T和某个性能指标P，从经验E中学习。这种学习的特点是，它在某个任务T上的被性能指标P所衡量的性能，会随着经验E的增加而提高。

那么，怎么理解这个定义呢？

在菊花和玫瑰花的例子中，T、P、E分别是什么呢？如下表所示，

任务  T	识别菊花和玫瑰花
经验  E	大量菊花和玫瑰花的图片数据
性能指标  P	P可以是识别率、召回率等评价指标

       根据以上定义，针对菊花和玫瑰花的识别，我们需要构造一个算法程序，这个算法程序的特点是，当已有的菊花和玫瑰花的图片数据越来越多时，即经验E越来越丰富的时候，性能指标P（识别率等指标）也会随之增大，这种算法就称为可以被学习的，即机器学习。

       在这个定义中，性能指标E和经验E是人为定义的，并不局限某种固定规律。并且我们可以发现，性能指标P和经验E，二者具有一定的关系，我们需要提高性能指标，并尽可能使P达到最大值，这就需要找到最佳的经验E。在某种程度上，这个过程就类似于最优化求解问题。