《神經網絡與PyTorch實戰》——1.2.2　機器學習和模式識別

1.2.2　機器學習和模式識別

目前人工智能的發展主要體現在機器學習（Machine Learning，ML）方面。機器學習的核心目標是在沒有明確指定輸入和輸出關系的情況下，通過程序自主學習，得到輸入和輸出之間的關系。而要得到輸入/輸出之間關系，需要依靠計算，而且這個計算常常是浮點計算。例如，AlphaGo面對的圍棋問題其實是一個離散的問題，它只需要判定在每種圍棋局勢下，下一步應該將棋子放在棋盤上361個網格交叉點中的哪一個。在AlphaGo利用神經網絡解決這個問題時，AlphaGo的設計者不需要一一指定各種情況下AlphaGo應該如何下棋。AlphaGo通過閱讀人類棋譜、自我對弈等方法，去學習神經網絡中的系數，逐漸發現圍棋的下棋策略。雖然這個問題不是一個連續的問題，但是人工神經網絡中的系數并不一定是整數，也有可能是小數。因此，AlphaGo使用的神經網絡就是一種機器學習的技術。

機器學習往往要利用數據學習。根據數據的特點，機器學習可以分為有監督學習和無監督學習兩類。

（1）有監督學習

嚴格意義上的有監督學習（supervised learning）需要借助已有的數據進行訓練，并且已有的數據既要包括輸入數據，也要包括每種輸入對應的參考輸出。例如，如果要使用有監督學習的方法訓練判別器判別一個人像是男性還是女性，就需要已知很多人像，并且還需要知道這些人像中人的真實性別。除了這種嚴格意義上的有監督學習外，還有一些廣義上的有監督學習（也有人認為它們并不是監督學習）。

①?半監督學習（semi-supervised learning）——已知的數據中只有部分數據有參考輸出，剩下的數據并沒有參考輸出。

②?主動學習（active learning）——一開始，在已知數據中只有很少的數據有參考輸出。在訓練的過程中，程序會主動挑選出一些還沒有參考輸出的數據，而希望人類提供這些數據的參考輸出。我們給出參考輸出后，所給參考輸出會用于程序后續的學習。主動學習的特點在于該交互過程。

③?強化學習（reinforcement learning）——對于輸入并沒有給出參考輸出，而是給出了一個優化目標（獎勵或損失）。在學習的過程中，希望最大化獎勵，最小化損失。AlphaGo就用到這種學習方法。另外，還有對抗機器學習（adversarial machine learning），它試圖找出現有模型中的弱點，試圖使現有模型盡可能多地出現錯誤、獲得盡量少的收益。例如，可以試圖生成一個假的數據，來突破某iPhone手機的指紋識別驗證或人臉識別驗證。

（2）無監督學習

無監督學習（unsupervised learning）同樣需要使用數據，但是這些數據沒有參考輸出。利用沒有參考輸出的數據，無監督學習可以自行發掘數據中的規律。比如，無監督學習可以發現數據能分為若干沒有事先定義的類，或發現數據中存在著和大部分數據有明顯區別的異常點。再例如，生成對抗網絡（Generative Adversarial Network，GAN）可以根據已有的數據來生成新的數據，使得別人沒有辦法判別出哪些數據是真實數據，哪些數據是假數據。例如，可以仿照畫家梵高已有的繪畫作品畫出許多風格類似的畫。

機器學習有許許多多的技術，在這里列舉一些常見的模型。

* 人工神經網絡（Artificial Neutral Network，ANN）：對輸入進行多次線性變換和非線性變換得到輸出。學習的要點在于學習線性變換的系數。

* 決策樹（decision tree）：使用樹形判定結構，計算滿足不同判定條件的輸入對應的輸出。學習的要點在于學習樹的判定準則和滿足不同判定的結果。

* 貝葉斯推斷（Bayesian inference）：利用數據來更新變量的概率分布。學習的要點在于學習變量的分布。

* 支持向量機（Support Vector Machine，SVM）：試圖找到一種滿足特定形式的分割方法，將數據分割成若干部分。

* 提升（boosting）：將多個性能較差的模型結合起來，使其成為一個較強的模型。

模式識別（pattern recognition）是一個與機器學習高度重合的概念。

模式識別研究數據和符號的自動處理，特別是數據的理解和判讀。模式識別認為數據存在某種可以利用的結構（稱為“模式”），并且可以對這個結構加以利用。但是，模式識別并不一定要精確地匹配某種模式（精確匹配模式的算法稱為“模式匹配”）。模式識別所識別的數據可以是光學數據（如人像、虹膜、筆跡）、聲學數據（如語音、器樂聲）、電學數據（如心電圖、腦電波）等具象的東西，也可以是符號等抽象的東西。

許多模式識別算法可以根據數據不斷改進自身的性能，這些模式識別算法都可以算是機器學習算法。

機器學習 AI 模式識別

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。