机器学习与人脸识别1:如何理解机器学习

本文从人工智能的角度出发,介绍了机器学习的基本概念,包括机器学习的任务复杂度、应用方式以及如何评估模型。文章强调了机器学习不是万灵药,而是需要明确问题、充足数据和合适评估标准的迭代过程。同时,提到了机器学习在预测性分析中的应用,如信用卡欺诈检测和广告定向。最后,探讨了机器学习的类型,如监督学习、无监督学习和强化学习,并概述了机器学习的工作流程。
摘要由CSDN通过智能技术生成

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[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,人类最擅长的就是小样本学习并进行举一反三,比如看两张猫狗图片就能大致有个概念,而机器则往往需要海量数据才能做到。
  3. 机器更加擅长准确定义问题,而人类更擅长复杂且模糊问题。因为现阶段模型的限制,机器学习更擅长定义清晰的问题,比如是猫还是狗,是高还是矮,在局部问题上表现出众。而人类更擅长是做出复杂情况下判断,拥有更好的“全局观”。
  4. 值得一提的是对于同一任务,机器和人类的解
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Dwyane05

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值