机器学习的常见误解

---

机器学习使用人工智能，利用实际策略使计算机能够学习和做出决策，而无需明确编程。它基于这样一个理念：计算机可以从数据中学习，识别模式，并在很少人工干预的情况下做出决策。

它是人工智能的一个子集。它是研究使机器的行为和决策更像人类的研究，方法是使它们能够学习和发展自己的程序。这是在最少的人工干预下完成的，即没有明确的编程。不断增长的经验是自动化的，并根据机器同时的经验进行改进。

机器处理高质量数据，并使用各种算法构建 ML 模型来训练机器处理这些数据。算法的选择取决于可用数据的类型和应自动化的操作类型。

误解

ML、AI 和深度学习之间没有区别

通常，ML 和 AI 这两个术语在同一个句子中使用。然而，两者都非常不同，并且彼此密不可分。人工智能涵盖了许多领域，包括机器人技术、计算机视觉和自然语言处理。ML 是通过利用统计和数据预测来发现数据中模式的最常见方法。

深度学习目前是业界经常涉及的一个状态。人们相信它是数据科学和 ML 问题的最终解决方案。深度学习是 ML 中最难掌握的主题。深度学习是人工智能的一个分支，它使用多层神经网络进行处理。

简单来说，深度学习是 ML 的一部分，因此也是 AI 的一部分。

机器学习将接管人类的工作，并且可以在没有人工干预的情况下自由工作

主要担忧之一是 AIU 将取代人类。虽然 ML 将使系统自动化并承担某些社会职能，但它将创造新的工作岗位或技能范围。ML 将促进新技能和创造性思维的发展。

人们认为机器可以在没有编程的情况下学习一个系统，而人类则为 AI 解决方案提供算法。因此，人类在 ML 中的参与是不可否认的。

虽然 ML 和 AI 在许多应用中都很有用，但在许多领域，这些技术并不是优势，特别需要人类的影响、干预或监督。这包括：

• 理解因果关系

• 长期规划

• 抽象或创造性思维

• 追求需要领域知识或背景的决策

人类判断对于对抗 ML 算法中的固有偏差也很重要。即使随着技术进步，我们也可能永远看不到完美的、完全算法化的解决方案。逻辑和透明度对于人们信任机器的结果和建议至关重要；我们需要了解机器模型“黑盒”内部发生的事情，才能完全信任和整合受机器影响的决策制定到我们的组织和生活中。

机器从经验中学习

尽管主流观点认为，ML 独立于经验，但它更依赖于数据。你不能简单地让一台计算机自由地尝试解决问题——机器需要数据来学习并创建算法以应用于未来的情况，其中包括：

• 优化模型参数以适应数据

• 评估成功的指标

• 对数据集的组成部分进行分类或表示的方法

这是通过从信息索引中提取一个概括的解释（类似于一个假设故事）来实现的，其中可能包含人类难以识别的复杂模式或隐藏的异常情况。在当今的金融机构中，ML 用于分析条件信息，以识别和标记可能是欺诈性指控或评估风险的异常情况，并为贷款提供建议。

机器学习在现代分析中的用例

许多组织正在将 ML 引入其企业数据分析实践中，以帮助识别隐藏的见解并做出更明智的建议来指导业务决策。这在处理越来越庞大和复杂数据集的大数据分析中尤其有用。

人工智能还可以识别组织内的行为模式，从而向用户提供类似于其他用户的建议——例如在数据准备或分析中使用哪些数据源，或者哪些分析内容最相关，以帮助他们回答特定问题。持续改进的其他领域包括高级分析和预测分析。

ML 可以帮助自动化高级统计分析并自动应用具有最高置信度的模型，例如增强分析，允许级别较低的用户利用复杂模型。高级用户可以探索和调整算法，这解决了信任和透明度问题，并允许测试各种可能的情况。

ML 也被用于分析，以帮助用户使用自然语言查询其数据。这意味着学习如何解释人类意图和问题背后的语义，并将请求翻译成结构化的查询语言。随着人工智能和 ML 推动自然语言和智能分析能力的进步，没有传统数据技能的人将能够以前所未有的方式与数据交互，以获得新的见解。

机器学习平台易于构建，任何人都可以做到

许多人认为你可以研究 ML 并轻松地构建任何平台。然而，ML 是一种复杂的策略，需要掌握广泛的技能。要学习 AI，你应该知道如何设置用于测试和训练的数据，如何设计数据，如何构建精确的算法，最重要的是，你应该了解底层系统。要获得 ML 技能，一个人应该积极参与 AI 示例和算法。在学习 ML 时，了解底层系统至关重要。积极参与 ML；需要示例和算法才能掌握 ML。这需要澄清关于 ML 的信息。没有人会花 1000 元做 200 元的工作。ML 仅在大量数据时使用。对于个人可以轻松完成的小型数据集，ML 是无用的。

结论

ML 是软件工程的一个领域，它利用数据来提取算法和学习模型，并将“学习”到的理论应用于新的情况，包括在没有直接人类编程的情况下执行任务。一些广泛接受的关于 ML 的想法与各种 ML 模型有所不同。例如，有一些 ML 模型表现更好，更大的数据集提供更高的准确性。同时，其他传统算法（也用于统计软件包）即使在数据集较小的情况下也能表现良好。