【机器学习】机器学习是什么意思

在大学的时候学习了机器视觉的相关知识

但对于机器学习的认知还只停留在感念层次上

现在乘着有时间，把以前的缺漏补上~

———————————————下面是正文————————————————

一.机器学习

       首先来阐述下本人对于机器学习的理解：机器学习就是使机器通过 “ 学习 ”（也有些书籍成为 “ 训练 ”）来了解某种事物的特征，从而在人类输入一个未知信号时可以 “ 推理” （有些书籍称为 “ 演算 ”）出该信号的特征这么一个过程。即：机器学习=学习+推理。然而，学习的数据是我们已经提前将数据的特征整理好了丢给机器进行学习，而深度学习则不需要。  
                 

       我们可以举一个简单的例子：当我们去超市买水果的时候，如何分辨得出哪些是西瓜哪些是苹果呢？显然，如果让一位婴儿来选的话肯定是选不出来的，因为婴儿没有识别西瓜的苹果的经验，而我们却可以轻而易举地分辨出来，为什么？因为我们可以根据以前学习过的经验来判断~如可以通过水果的大小来判断、通过水果的颜色来判断甚至通过水果的气味等特征进行判断。

       而机器学习就是将机器当作一个没有经验的婴儿，需要通过学习某些东西，才能正确地分析甚至预判某种事态，有个词本人觉得十分地贴切：工作经验。工作的时间越长，对于某件工作就越得心应手，机器学习也是如此~

        而学习是学习什么呢？

      主要是学习权重和偏置。（具体可以看下文）

二.感知机

       在了解机器学习之前，我们还得了解感知机，神经网络是由许许多多的神经元组成，而神经元的原理有何感知机很像，所以一下解析皆由感知机入手，机器学习模拟的是我们大脑的学习方法，而大脑则是通过各种外部刺激神经元使得大脑做出各种反应这个一个过程，我们可以简单地来看下神经元接收到信号的处理过程：

                                   

       从图中我们可以看到，当外部感官接收到信息源时，将信号往神经元传送，神经元被激活后将做出相应的反应。而输出S有一个经典的公式可以表示：

                                          

       其中的符号X表示输入的信号，而符号W则表示权重，符号B表示偏置。神经元被激活的条件通常设定为输出的信号S数值大于或者等于1，而小于1则表示没有被激活。信号乘以权重参数表示该信号对于整个学习过程的重要程度，而偏置则是调整了整个神经元被激活的容易程度，比如偏置设置为-1，输入的信号的加权总和超过0.1就会被激活，而偏置设置为-20，则输入的信号的加权总和超过20才能被激活。

       下面通过一个例子来说明神经元的学习过程，设定西瓜和苹果i的大小和颜色都分别设定一个值：

                            

       再来我们假设神经元已经经过了学习，得出权重 W1 = W2 = 1 ，偏置B1 = 0  ，那么：

                                                            

       由此可知，将颜色和大小输入进去之后，神经元输出了数值（原始数据），几乎识别了水果的不同种类。但是输出的原始数据并不能直观地表达出数据地含义，因为随着传入数据的不同，得出的数据也会因此参差不齐，所以为了规范输出，我们在输出原始数据之后，再加上一个激活函数（有书籍也叫传递函数）来规范输出数据。假定我们规定大于0的输出为1，其他则输出为0，所以：step(2) = 1,step(-2) = 0。当然，本文使用的激活函数只是一个简单的个例，更多可以百度神经元的激活函数，选择更适合你的激活函数。

        而我们为什么要取值为1和0呢？因为换了一个值之后，结果可能就完全不一样了。

三.权重和偏置的学习

        感知机有一套训练神经网络权重和偏置的方法：

           

      例如上面那个例子，如果权重变成了W1=1，W2= -1 ，B=0，则西瓜的输出为：

      S= 1x1+(-1)x1 +0 =0    经过激活函数 step(s)=0 ，识别为苹果。错误了~ 所以权重和偏置不可随意设置。

      而我们可以利用感知机的学习方法来计算出权重和偏置：

                                                                           

      我们将 e =1代入：

                                                                       

       将新计算的权重和偏置重新计算西瓜的识别：

                                                                      

       再尝试苹果：

                                                                       

如此，新的权重的偏置即计算完成~

 

参考文献：《神经网络与深度学习》.吴岸城. 电子工业出版社

                   《深度学习入门-基于python的理论与实现》(日)斋藤康毅. 人民邮电出版社