机器学习（1）——简单介绍

什么是机器学习？

至今，还没有统一的“机器学习”的定义，而且也很难给出一个公认的和准确的定义。简单地按照字面理解，机器学习的目的是让机器能像人一样具有学习能力。机器学习领域奠基人之一、美国工程院院士Mitchell教授认为机器学习是计算机科学和统计学的交叉，同时也是人工智能和数据科学的核心。他在撰写的经典教材Machine Learning中所给出的机器学习经典定义为“利用经验来改善计算机系统自身的性能”。一般而言，经验对应于历史数据（如互联网数据、科学实验数据等），计算机系统对应于机器学习模型（如决策树、支持向量机等），而性能则是模型对新数据的处理能力（如分类和预测性能等），如下图所示（机器学习定义）。

通俗来说，经验和数据是燃料，性能是目标，而机器学习技术则是火箭，是计算机系统通往智能的技术途径。
更进一步说，机器学习致力于研究如何通过计算的手段，利用经验改善系统自身的性能，其根本任务是数据的智能分析与建模，进而从数据里面挖掘出有用的价值。随着计算机、通信、传感器等信息技术的飞速发展以及互联网应用的日益普及，人们能够以更快快速、容易、廉价的方式来获取和存储数据资源，使得数字化信息以指数方式迅速增长。但是，数据本身是死的，它不能自动呈现出有用的信息。机器学习技术是从数据当中挖掘出有价值信息的重要手段，它通过对数据建立抽象表示并基于表示进行建模，然后估计模型的参数，从而从数据中挖掘出对人类有价值的信息。

机器学习是人工智能研究较为年轻的分支，尤其是20世纪90年代以来，在统计学界和计算机学界的共同努力下，一批重要的学术成果相继涌现，机器学习进入了发展的黄金时期。机器学习面向数据分析与处理，以无监督学习、有监督学习和强化学习等为主要的研究问题，提出和开发了一系列模型、方法和计算方法，如基于SVM的分类算法、高维空间中的稀疏学习模型等。
机器学习的发展的另一个重要节点是深度学习的出现。如果说Michael Jordan等人奠定了统计机器学习的发展基石，那么多伦多大学的Geoffrey Hinton教授则使深度学习技术迎来了革命性的突破。至今已有多种深度学习框架，如深度神经网络、卷积神经网络和递归神经网络已经被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并取得了极好的效果。
近年来，机器学习技术对工业界的重要影响多来自深度学习的发展，如无人驾驶、图像分类等。

讨论

作为一门交叉学科，机器学习涵盖的范围非常广泛，涉及计算机科学、概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。随着机器学习技术的普及和需求的增加，相关从业人员开放了大量的课程和学习平台，例如著名学者吴恩达和Ruslan Salakhutdinov在coursera平台上都开设有与机器学习相关的课程。
由于机器学习领域发展非常迅速，每年都不断涌现出大量的新算法。机器学习最新的研究进展可以通过阅读机器学习领域国际会议和期刊上最新的论文获取。机器学习领域最重要的国际学术会议是国际机器学习会议（ICML）、国际神经信息处理系统会议（NIPS）和国际学习理论会议（COLT）；重要的国际学术期刊有Journal of Machine Learning Research和Machine Learning。另外，人工智能领域的重要会议如IJCAI、AAAI，数据挖掘领域的重要会议如KDD、ICDM，计算机视觉与模式识别领域的重要会议如CVPR、ICCV等也经常发表机器学习方面的论文；除此之外，在论文分享网站arxiv.org和代码分享网站github.com上，每天都会有新的论文和代码发布，很多从业人员会将自己最新的方法和工程实现与他人在网上分享，这些都极大地推动了机器学习的技术发展和方法应用。

总结

机器学习是目前人工智能领域研究的核心热点之一。经过多年的发展，尤其是最近二十年与统计学及神经科学的交叉，机器学习为我们带来了高效的网络搜索、实用的机器翻译、高精度的图像理解和识别，极大地改变了我们的生产生活方式。机器学习技术在我们日常生活中的应用已经非常普遍，从搜索引擎到指纹识别，从用户推荐到辅助驾驶，我们可能在毫无察觉的情况下每天使用不同的机器学习技术几十次之多。相关的研究者越来越认为，机器学习是人工智能取得进展的最有效途径。相信在不远的将来，机器学习必将更深刻地改变我们的生产生活。