李宏毅机器学习(一)引言

最近几年人工智能这个词总是时不时地出现在我们视野里，确切来说它也并不是什么新词儿，它在1950年代就被提出来了。它代表着我们人类的一个长期目标，那便是希望机器可以和人一样聪明。

可是人们却不太清楚如何做这件事，不太清楚如何让机器拥有智能，变得和人一样聪明。直到1980年代，有了机器学习。 顾名思义，机器学习就是让机器拥有学习的能力。那么，它和人工智能有什么关系呢？人工智能是我们想要达成的目标，而机器学习是为了达成目标使用的手段。深度学习是机器学习中的一种方法。

那么在有机器学习，深度学习之前，我们是如何做人工智能呢？

生物学的知识告诉我们，生物的行为取决于先天的本能或后天学习的结果。

举例来说，河狸筑坝的能力是天生的。

它的筑坝行为是这样的：

• 如果听到流水声，就会筑堤直到听不到流水声。

我们之前做人工智能就是这样的，设定好机器的先天本能，通常是一些由人类确定的规则。

看起来也不错，似乎也能完成不少任务。但也存在很大的问题，我们很难考虑到所有的规则。对于上述的聊天机器人，我们不太可能想到所有的响应规则。这就导致了机器永远无法超过它的创造者。它的所有行为都在我们定义的规则之下，也就是说它没有freestyle。

我们的目的是研究真正的机器学习。那么，什么是真正的机器学习呢？

简单来说就是写程序让机器有学习的能力。接下来，我们就给它提供数据以供其学习。比如在语音识别中，

告诉机器这段语音是“Hi”。

这段语音是“How are you”。

我们可以机器提供大量的语音数据，并告诉它每段语音的内容。通过不断地学习，它逐渐若有所得。于是，当我们给它一段语音（之前可能从来没有听过），它会告诉我们内容是什么。

过程如下所示：

图像识别也是类似的过程：

机器学习可以看成是从数据中找到一个函数。

举个例子，我们要进行图像识别，通过给机器的数据，机器学习算法可以得到一个函数。当将图像输入给该函数时，它能输出该图像对应的类别。

那么如何得到这个函数呢？我们有很多可以选择的模型，比如神经网络，SVM，决策树等等。每个模型内都包含了很多函数（模型可能有很多参数，参数是可以变化的）。

这么多函数选择哪一个呢？所以我们还得有一个评价指标，当把数据丢给模型后能够衡量函数的好坏。知道了函数的好坏之后，自然要选择最好的函数。

如上图所示，函数f1自然好于f2。同时也可以看到，这些数据有个特点，就是每个数据都给出了函数的输入和函数期望得到的值。

在这种情景下的机器学习叫做监督学习。找到了最好的函数之后，我们就可以用它来测试，看它是否有举一反三的能力。整个流程如下：

所以总结一下，机器学习大致可以分为三步：