机器学习与人脸识别1：如何理解机器学习

下面两个解释观点是从知乎摘取的：仅供参考

1. 人工智能与机器学习

一个常常让大众感到困惑的问题是：人工智能（AI），机器学习（ML），深度学习（DL），机器视觉（CV）以及自然语言处理（NLP）之间是什么关系？

从科普角度粗略地说，人工智能涵盖了其他所有概念[图1]，而机器学习是人工智能的一个子方向，而深度学习又是机器学习中的一类方法。至于机器视觉与自然语言处理，它们是人工智能领域的两个具体应用，而且往往会用到深度学习。

        

                                                                 图1 人工智能与相关概念的关系

2. 什么是机器学习？

越是简单的概念其实越难解释。比如有人提到机器学习问题事实上是一个「优化问题」，有人认为是机器学习是一个「编程概念」，也有人认为现阶段的机器学习是「统计推断」。

从不同的角度看，这些说法都有道理。我个人比较喜欢Tom+Mitchell对于「学习任务」的定义：

每个机器学习都可以被精准地定义为：1)+任务T；2)+训练过程E；3)+模型表现P。而学习过程则可以被拆解为「为了实现任务T」，我们「通过训练过程E」，逐步「提高表现P」的一个过程。

比如我们想要做一个模型来判断一张图片是猫还是狗（任务T）。为了提高模型的准确度（模型表现P），我们不断给模型提供图片让其学习猫与狗的区别（训练过程E）。在这个学习过程中，我们所得到的最终模型就是机器学习的产物，而训练过程就是学习过程。「机器学习」和「人类学习」是可以做类比的。套用刚才的公式：为了在高考中得到高分（任务T），小王每天做10套模拟题（训练E），并不断参加模考检测自己的错误率（评估P）。

但除了相似性以外，机器与人类在学习过程中也有很多差异：

1. 机器可以标准化学习过程，并提取出了学习结果（模型），使得结果可迁移可复制。而人类的知识往往迁移成本更高，比如小王高考得到了高分，即使可以培训，但他没法把这个秘诀直接传授给小张。
2. 机器可以从大量数据中进行学习，而人类则有更大的限制。随着硬件发展和数据量累计，机器学习模型可以从海量数据中学习，而人类的大脑并不能做到这一点。但换个角度看，人类最擅长的