机器学习在干什么？

摘要

机器学习是让计算机从较多的数据中提取出有用的信息，最后拥有决策判别的能力，那么在研究这件事之前，先放一张图片来做一个总结：

当我第一次看到这个图的时候，就被吸引了，因为这么简单的6个小框框就诠释出了数据分析，机器学习，以及知识和信息的本质，那就是：

1. 数据经过处理和加工，变成了信息。
2. 信息之间产生了联系，形成了知识。
3. 通过现有知识，发现了一些知识之间的新关系，于是形成了洞见。
4. 把一系列洞见串联起来，形成了智慧。
5. 向外传播智慧，形成了影响力。

要知道，现在大家所使用的一切数据分析技术，无论是大数据还是机器学习，都是在实现这里面的某一个环节，而最终的环节，就是机器学习最终的目标，我们不是希望机器学习学到知识，这是一个手段，我们希望计算机可以具有智慧，而智慧又是无法量化的，似乎目前只能从大量的知识中去学习，至少人类就是这样过来的。

机器学习和硬件

机器学习的硬件设施是机器，没有机器一切就白搭了，机器就等于是人体，但是照着这个逻辑不太对啊，毕竟机器的构成和人可是差着八杆子打不着的距离。人脑是有非常多的细胞，各种骨干。而计算机，基本只有基本几块CPU，几块磁盘，一堆电路板。

实际上在我看来，当前大规模在使用的机器，其天生并不是为机器学习所准备，因为目前的计算机是为了解决逻辑规则的问题，也就是用纸袋穿孔可以表达的内容。那么如何让计算机拥有智慧，像人一样思考？首先我们想想，为什么机器学习总要强调人呢？目前的生物里面，大概只有人类会认为自己拥有智慧吧。所以从这个角度来说我们希望机器像人一样拥有智慧，然后去为我们服务，去解决问题。

可惜目前的机器在硬件层面都不满足基本的人类身体结构，比如人类的大脑有无数的脑细胞，有非常多的神经元，这些东西对人类拥有智慧和具有思考能力起了非常大的作用，那么计算机没有这些东西，该怎么办呢？

很简单的一个办法就是模拟，所以目前所有的深度神经网络都是利用计算机的计算能力来模拟出成千上万神经元来达到仿真的效果。然后再用模拟出来的这个神经网络，去解决真正业务的问题。所以相比一般的程序，深度神经网络多了一个仿真再处理的过程，等于是开了虚拟机再运行程序。

有了以上前提，我们不得不承认一个现实，那就是深度学习比一般的程序运行需要更高的配置，更消耗资源。同时为什么传统机器学习大家会觉得快呢？是因为传统机器学习基于统计学成功的把思考的这个问题转换为可以通过规则和逻辑来表达的方式，所以让计算机就像处理一般的程序一样，无需经过仿真环节，直接动用逻辑计算能力。

以上信息可以帮助我们在