機器學習（ML）是教導計算機系統(tǒng)根據(jù)一組數(shù)據(jù)進行預測的過程。通過為系統(tǒng)提供一系列的試驗和錯誤場景，機器學習研究人員致力于創(chuàng)建 可以分析數(shù)據(jù)，回答問題并自行做出決定的人工智能系統(tǒng)。

機器學習通常使用基于測試數(shù)據(jù)的算法，該算法有助于在將來的決策中進行推理和模式識別，從而消除了對傳統(tǒng)計算機軟件要求的來自人類的明確指令的需求。

什么是機器學習？

機器學習依賴于大量數(shù)據(jù)，這些數(shù)據(jù)被饋送到算法中，以生成一個模型，系統(tǒng)可以根據(jù)該模型來預測其未來的決策。例如，如果您要輸入到系統(tǒng)中的數(shù)據(jù)是一年中每天在午餐中吃的水果，則您可以使用預測算法來分析不同的水果，并為該水果建立預測模型您可能在第二年進食。

該過程基于反復試驗的情況，通常使用多種算法。這些算法分為線性模型，非線性模型，甚至神經(jīng)網(wǎng)絡。它們最終將取決于您正在使用的數(shù)據(jù)集以及您要回答的問題。

機器學習算法如何工作？

機器學習算法會隨著時間的推移使用數(shù)據(jù)來學習和改進，并且不需要人工指導。該算法分為三種類型：有監(jiān)督，無監(jiān)督和強化學習。每種學習類型都有不同的目的，并且可以使數(shù)據(jù)以不同的方式使用。

監(jiān)督學習

監(jiān)督學習涉及標記的訓練數(shù)據(jù)，算法使用該訓練數(shù)據(jù)來學習將輸入變量轉(zhuǎn)換為輸出變量以求解方程的映射函數(shù)。其中有兩種監(jiān)督學習類型：分類，當輸出為類別形式時，用于預測給定樣本的結(jié)果；回歸，當輸出時，用于預測給定樣本的結(jié)果。變量是實際值，例如“工資”或“權(quán)重”。

監(jiān)督學習模型的一個示例是K-最近鄰居（KNN）算法，它是一種模式識別方法。KNN本質(zhì)上涉及使用圖表來根據(jù)附近相似物體的傳播情況得出關(guān)于物體分類的有根據(jù)的猜測。

在上表中，綠色圓圈表示一個尚未分類的對象，它只能屬于兩個可能的類別之一：藍色正方形或紅色三角形。為了識別其所屬的類別，在這種情況下，算法將分析圖表上最接近的對象，算法將合理地假設綠色圓圈應屬于紅色三角形類別。

無監(jiān)督學習

當只有輸入變量而沒有相應的輸出變量時，將使用無監(jiān)督學習模型。它使用未標記的訓練數(shù)據(jù)來建模數(shù)據(jù)的基礎結(jié)構(gòu)。

無監(jiān)督學習算法有三種類型：關(guān)聯(lián)，廣泛用于市場購物分析；聚類，用于匹配與另一個聚類中的對象相似的樣本；和降維，用于減少數(shù)據(jù)集中變量的數(shù)量，同時保持其重要信息不變。

強化學習

強化學習允許代理通過學習最大化獎勵的行為，根據(jù)其當前狀態(tài)決定其下一步行動。它通常用于游戲環(huán)境，在游戲環(huán)境中提供了規(guī)則的算法，并負責以最有效的方式解決挑戰(zhàn)。該模型最初會隨機開始，但是隨著時間的流逝，通過反復試驗，它將了解需要在游戲中移動的位置和時間以最大化得分。

在這種類型的培訓中，獎勵僅僅是與積極成果相關(guān)的狀態(tài)。例如，如果算法能夠?qū)⑵嚤３衷诘缆飞隙粫驳秸系K物，那么它將“獎勵”任務完成。

為什么機器學習很有用？

本質(zhì)上，機器學習解決了數(shù)據(jù)過多的問題。人們，行動，事件，計算機和小工具所產(chǎn)生的信息太多，以至于人類幾乎不可能從中學習任何東西。在醫(yī)學分析中，要在成千上萬的MRI掃描中找到模式，一個人可能要花費數(shù)小時，數(shù)天或數(shù)周的時間才能完成，但是如果正確標記了機器，機器可以吸收這些信息并在幾秒鐘內(nèi)發(fā)現(xiàn)這些模式。

機器學習在哪里使用？

我們每天都會使用最簡單，最成功的機器學習示例之一-Google搜索。搜索引擎由許多ML算法提供支持，這些算法可以讀取和分析您輸入的文本，并根據(jù)您的搜索歷史和在線習慣來定制結(jié)果。例如，如果您輸入“ Java”，您將獲得圍繞編程語言的結(jié)果，或者更頻繁地浮出水面，這取決于它決定了您的偏好。

我們未來的許多技術(shù)進步都取決于機器學習的發(fā)展，例如無人駕駛汽車和智慧城市。許多為智慧城市提供動力的系統(tǒng)正在進入公共空間，例如面部識別系統(tǒng)，該系統(tǒng)中的機器學習算法被教為識別圖像中的模式并根據(jù)其特征識別對象。但是，這已被證明是ML的有爭議用途，尤其是因為它并不總是準確的，并且經(jīng)常涉及對公民的某種定期監(jiān)視。

數(shù)據(jù)偏差

隨著機器學習的改進和更多技術(shù)的使用，人們越來越擔心將偏見嵌入關(guān)鍵的和面向公眾的軟件中。機器學習應用程序依賴于數(shù)據(jù)，而正是這些數(shù)據(jù)可能成為偏差的來源。例如，如果一家公司想雇用更多不同種類的人，但使用其當前雇員的簡歷，則默認情況下，其機器學習程序?qū)⒅粚ふ腋嘞嗤娜恕?/p>

正是這種類型的機器學習應用引起了政府的擔憂，因此，許多政府正在采取強制性的法規(guī)來解決這個問題。英國數(shù)據(jù)倫理與創(chuàng)新中心（CDEI）宣布將與內(nèi)閣辦公室種族差異部門合作，調(diào)查算法決策中的潛在偏見。同樣，美國政府將試行AI方面的多樣性法規(guī)，以降低計算機系統(tǒng)中性偏見和種族偏見的風險。
責編AJX