如何向小白解释清楚机器学习的4W

机器学习的4个问题

1. 什么是机器学习？What
2. 为什么我们需要机器学习？ Why
3. 机器学习是从什么时候开始的？它的发展历程是什么？When
4. 机器学习可以在哪些领域应用？Where

让我们一起揭开这项神奇技术的面纱，找出这四个W（What, Why, When, and Where）的答案。

在进一步讨论之前，思考下我们的大脑是如何运作的？让我们从这里开始。

大脑是我们身体中最复杂的部分，对其工作原理的研究仍在持续进行。简单来说，大脑中的神经细胞通过树突接收来自全身的电信号，并通过轴突终端对这些信号作出响应。

如果我们用气泡来表示神经细胞的功能，就可以构建如下图所示的结构。而这种结构正是机器学习中的神经网络。

现在，让我们来了解一下机器学习的定义，这将帮助我们回答第一个“W”：什么是机器学习？

机器学习是一门研究如何让计算机在没有明确编程的情况下自主执行任务的科学。

维基百科对机器学习的定义是：机器学习是计算机科学的一个领域，使计算机能够在没有明确编程的情况下进行学习。

你是否注意到这些定义中的相似之处？为了更好地理解这种相似性，首先让我们了解一下什么是传统编程。

在传统编程中，我们通常编写函数作为计算机程序，并在传递一些输入给这些函数时，它们会生成相应的输出。

在机器学习的过程中，计算机接受数据和期望的输出结果作为输入，接着试图通过训练来找到一个函数（或模型），使得它能够将输入的数据准确地转换为相应的期望输出。这个过程类似于大脑如何通过经验学习，从特定的输入（例如感官信号）产生特定的反应或输出。

现在你应该理解为什么这些定义都包含了“无需明确编程”的说法，因为机器学习赋予了计算机自主学习的能力。我们不再需要手动编写每一个程序，计算机会基于历史数据自动学习并生成程序。

既然我们已经了解了什么是机器学习，那么接下来应该问自己：为什么我们需要机器学习呢？

众所周知，计算机程序用于实现自动化。在几乎所有的软件公司中，无论是谷歌这样的科技巨头，还是新成立的小型初创公司，软件工程师都是非常高薪的职位。

如果说编写计算机程序是实现自动化的过程，那么机器学习就是在自动化这个过程本身。因此，机器学习的重要性不言而喻。这就是我们需要机器学习的原因，到这里，我们已经成功找到了第二个W的答案（为什么需要机器学习？）。

“在机器学习上的突破价值十个微软”——比尔·盖茨。

要了解某个事物，我们首先需要知道它是如何开始的。现在，让我们继续探讨第三个W：机器学习是何时开始的？它的历史是什么？

机器学习的起源可以追溯到20世纪50年代，当时IBM的Arthur Samuel发明了一个跳棋程序。这个程序的独特之处在于，它能够通过奖励机制来学习改进自己的表现，他在1952年首次提出了“机器学习”这个术语。

1957年，Frank Rosenblatt开发了第一个成功的神经计算机，名为Mark 1感知器。最初，这个设备被设计为一种定制硬件，用于图像识别的任务。由于其与生物神经元的相似性，Mark 1感知器引起了公众的广泛关注。乐观的情绪蔓延开来，以至于《纽约时报》在1958年发表了一篇文章，称：

“海军今天公布了一种电子计算机的雏形，他们预计它将能够行走、说话、看、写、复制自身并意识到自己的存在。”

然而，随着时间的推移，人们逐渐发现这种乐观情绪的局限性。当时的机器学习模型无法解决简单的XOR函数问题。尽管研究人员尝试通过将多个Mark 1感知器层叠在一起（形成多层感知器）来增强模型，但这些努力最终未能成功。

随后在70年代或80年代早期，机器学习与人工智能逐渐分道扬镳。如今，很多人认为人工智能（AI）和机器学习（ML）是相同的。然而，通过绘制人工智能和机器学习的维恩图，我们可以清楚地看到，机器学习实际上只是人工智能的一个子集。

让我们快速了解一下人工智能的定义，以便更好地进行关联：

人工智能（AI）指的是在机器中模拟人类智能，使其能够像人类一样思考和模仿他们的行为。

例如，如果一个程序能够感知环境并根据硬编码的规则（基于人类行为）做出决策，这就是人工智能。假设一辆自动驾驶汽车配备了LIDAR传感器，用来检测车辆与障碍物的距离，并且有一个算法根据这个距离输入来控制刹车。整个过程中没有学习的成分，因此这不是机器学习，但它确实是人工智能，因为它模仿了人类智能。

在早期，尽管人工智能在利用已知信息方面取得了进展，但多层感知器需要极高的计算能力，导致机器学习研究陷入停滞。直到90年代，计算机性能显著提升，一百万倍的计算速度加快了机器学习的发展。2012年，AlexNet架构的出现（以其发明者Alex命名的神经网络架构）展示了巨大的潜力，自此机器学习开始备受关注。

我们可以在哪里使用机器学习？

机器学习的典型应用：

• 机器人技术：自主机器人、自动驾驶汽车等
• 金融：信用风险评估、投资决策
• 电子商务：库存预测、产品推荐
• 生物学：基于经验的药物设计
• 聊天机器人：翻译器、语音识别

与机器学习相关的一些令人惊叹的事实：

• 谷歌的AlphaGo，一个基于机器学习的程序，在围棋比赛中击败了18次世界冠军李世乭。
• 机器学习算法能够通过详细图像预测肺癌的早期阶段。
• 一家公司使用机器学习算法进行代码匿名化。通过采集600名程序员的8个代码样本，算法能够以83%的准确率预测代码作者。想象一下，这在处理勒索软件攻击时将会有多么有用。