Probabilistic Machine Learning：Introduction 概率机器学习：简介- 第一章（5）-page58~60/858

王知为

于 2024-02-18 22:27:39 发布

阅读量447

点赞数 9

文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/oneway3124/article/details/136159949

版权

本文介绍了机器学习的基本概念，包括监督和无监督学习，以及它们与统计学、计算机科学和人工智能的关联。文章强调了伦理和社会问题，如AGI的发展带来的权力、责任和风险，并讨论了如何在AI发展中平衡技术与道德考量。

摘要由CSDN通过智能技术生成

1.6 讨论
在这一部分中，我们将ML和本书置于更大的背景中。
1.6.1 ML与其他领域的关系
有几个子领域致力于与ML相关的主题，每个子领域都有不同的名称。
预测分析领域类似于监督学习（特别是分类和回归），但更侧重于业务应用。数据挖掘涵盖了监督和无监督的机器学习，但更专注于结构化数据，通常存储在大型商业数据库中。数据科学使用机器学习和统计学的技术，但还强调其他主题，如数据集成、数据可视化以及与领域专家合作，通常在迭代的反馈循环中进行（参见例如 [BS17]）。这些领域之间的区别通常只是术语上的不同。12

（AGI），即拥有与人类相当的广泛智能的机器。然而，这也引发了一系列关于权力、责任和风险的问题。因此，必须在发展和应用ML和AI技术时保持谨慎，并考虑其可能的社会影响和伦理问题。

1.6.4 参考文献
本书中引用的文献和参考资料主要涵盖了机器学习、统计学、计算机科学等领域的经典著作和重要论文。这些文献为读者提供了更深入了解相关主题的机会，并展示了领域内的经典和前沿工作。读者可以参考这些文献以获取更多详细信息。

1.7 小结
本章介绍了机器学习的基本概念、定义和分类。我们讨论了监督学习和无监督学习，介绍了机器学习的一般工作流程，涉及数据收集、特征工程、模型训练和评估等方面。还探讨了机器学习与统计学、计算机科学、人工智能等领域的关系，并提到了一些伦理和社会问题。

在接下来的章节中，我们将深入研究机器学习的各个方面，包括不同类型的模型、算法和应用。读者将有机会学习如何应用这些技术来解决现实世界的问题，并理解它们的工作原理和局限性。

ML与统计学领域也有非常密切的关系。事实上，斯坦福大学著名的统计学教授杰里·弗里德曼曾说过13：
[如果统计学领域] 从一开始就将计算方法纳入其作为基本工具的范畴，而不仅仅是一种方便应用现有工具的方式，许多其他与数据相关的领域[如ML]就不需要存在——它们本应是统计学的一部分。——杰里·弗里德曼 [Fri97b]

机器学习还与人工智能（AI）领域密切相关。在历史上，AI领域假设我们可以通过手工编程实现“智能”（参见例如 [RN10; PM17]），但这种方法在很大程度上未能达到预期，主要是因为明确编码这些系统所需的所有知识被证明太难。因此，人们重新对使用ML来帮助AI系统获取自己的知识产生了兴趣。（实际上，这两者之间的联系非常紧密，有时术语“ML”和“AI”被交替使用，尽管这可能是具有争议的 [Pre21]。）

1.6.2 书籍结构
我们已经看到ML与数学、统计学、计算机科学等许多其他学科密切相关。要知道从何处开始可能会很困难。

在本书中，我们通过概率论作为我们统一的视角，沿着这个相互关联的领域走了一条特定的路径。我们在第I部分涵盖了统计基础知识，在第II部分至第IV部分涵盖了监督学习，而在第V部分涵盖了无监督学习。有关这些（以及其他）主题的更多信息，请参阅本书的续篇[Mur23]。

除了这本书，您可能会发现伴随本书的在线Python笔记本对您有所帮助。请参阅probml.github.io/book1了解详情。

1.6.3 注意事项
在本书中，我们将看到如何使用机器学习创建可以（尝试）根据输入预测输出的系统。然后，可以使用这些预测来选择行动，以最小化期望损失。在设计这种系统时，很难设计一个能够正确指定所有偏好的损失函数；这可能导致“奖励欺骗”，其中机器优化我们给定的奖励函数，但随后我们意识到该函数未捕捉到我们忘记指定的各种约束或偏好 [Wei76; Amo+16; D’A+20]。（在需要在多个目标之间进行权衡时，这一点尤为重要。）

奖励欺骗是“对齐问题”的一个例子 [Chr20]，它指的是我们要求算法优化的内容与我们实际希望算法为我们做的事情之间的潜在差异；这在AI伦理和AI安全的背景下引起了各种担忧（参见例如 [KR19; Lia20; Spe+22]）。Russell [Rus19]提出通过不显式指定奖励函数来解决这个问题，而是通过迫使机器通过观察人类行为来推断奖励，这被称为逆强化学习。然而，过于紧密地模拟当前或过去的人类行为可能是不可取的，并且可能受到用于训练的数据的偏见（参见例如 [Pau+20]）。

以上对AI的看法，即“智能”系统自己做出决策，没有人参与，被许多人认为是通向“人工通用智能”的途径或者AGI。另一种方法是将AI视为“增强智能”（有时称为智能增强或IA）。在这种范 paradigm下，AI是创建“智能工具”的过程，例如自适应巡航控制或搜索引擎中的自动完成；这些工具保持人类在决策环节中。在这个框架中，具有AI/ML组件的系统与其他复杂的、半自主的人工制品并没有太大的区别，例如带有自动驾驶仪的飞机、在线交易平台或医学诊断系统（参见[Jor19; Ace]）。当然，随着AI工具变得越来越强大，它们可能会越来越多地独立完成任务，使这种方法类似于AGI。然而，在增强智能中，目标并不是在某些任务上模拟或超越人类行为，而是帮助人类更轻松地完成工作；这是我们对待大多数其他技术的方式[Kap16]。