怎么理解机器学习？

最近几年，人工智能概念越来越热，与人工智能相关联的职位薪资也是水涨船高，然后很多人想要破圈去要做人工智能，今天我们来探讨一下机器学习。

在谈机器学习（ machine learning） 之前， 先提一下两个相关的名词： 模式识别（ pattern recognition） 和深度学习（ deepLearning）。

模式识别是很早就发明出来的技术，在人工智能发展初期最被看好。长期以来，计算机都无法处理语音文本的语义识别，图像代表的含义，通过模式识别就可以做到。模式可以理解为特点特色，简单说就是某个事物具备的独特标示， 模式识别就是利用待处理数据（包括图像、文本、语音等）的这些特征，将这些数据与模式中的各个特点来匹配，这样我们就能识别出来这些未知事物代表的含义了。不过模式识别也具有很明显的缺陷，因为需要依赖人对这些事物进行特定的标示，简而言之就是人教会机器通过识别某些特征进而认识这些事物，而不是机器认识的。

深度学习于2006年由Hinton等人提出，其基本思想也是参考人类大脑，人类大脑具备学习能力，通过对人脑工作机制的梳理，了解了人脑对数据的存储和处理方式，然后建立相应的计算模型，这样就使算法具有自适应和自组织的能力。深度学习早期的基本算法模型是神经网络模型，现在已经“进化”为卷积神经网络。

相比于模式识别，深度学习可以通过自发的方式来学习如何实现对未知事物的识别，具备自我学习进化的能力，是非常成功的前沿技术。
下面我们举个简单的例子，看看“机器学习”系统是如何工作的。 假设我们做出了一个可以对动物进行自动分类的系统，现在，我们要用它在一堆动物照片中挑出猫咪和狗子。 整个过程如下：

先提供大量的猫和狗的照片给到系统，并告知系统哪些是猫，哪些是狗，并不需要告知系统这些动物的具体特征。然后系统根据告知的图片来查找图片之间的共性，比如猫咪的特色，狗子的特色，这样系统通过大量的数据找到猫和狗的共同点，数量越大，效果越好。以上过程可以称之为训练，训练结束后，给系统一些包含猫和狗照片的动物照片，让系统分辨这些动物照片哪些是猫哪些是狗。以上的过程就是机器学习的过程。相比模式识别，最大的差别就是系统可以通过投喂的数据自动分析出想要识别的事物的特征，而不再需要人工提供特征数据，这就可以大大提高准备率，大大降低工作量。而且这种方式和需要分别的具体事务没有关系，投喂不同的数据就可以识别更多的事物，所以机器学习的算法与具体的事物无关，可以一次开发多处使用。
以上是对机器学习的简单介绍，如果要完成机器学习，还需要更多的技术支持，比如对于图片的识别，需要先对图片进行分析，所以需要强大的系统的支持，了解到以上的信息基本可以做到对机器学习的扫盲了。