面向小学生的机器学习

---

介绍

机器学习的核心方法已经存在很长时间了，但直到最近，计算机才发展出在现实世界中应用这些方法所需的处理能力。

如今的人工智能 (AI) 算法能够学习识别图像和视频中的物体，跨语言交流，甚至掌握棋类和街机游戏。在某些情况下，例如 DeepMind 的 AlphaGo 软件，人工智能甚至在特定任务上的表现优于顶尖人类！

什么是机器学习？

机器学习应用于人工智能，我们试图让计算机访问数据，并允许它们利用这些数据进行自主学习。本质上，它涉及指导计算机执行一项任务，而无需对其进行专门配置。机器学习也称为 ML，人工智能也称为 AI。

机器学习解释

假设您的孩子以前看过机器人格斗比赛。您知道，机器人被编程为使用一种方法（一系列遵循的指令以完成任务；这是计算机的认知过程）进行攻击和“战斗”。

在这种情况下，如果应用机器学习，机器人将根据可用的信息自行做出选择。换句话说，机器人不会被代码指示总是执行选择 A，而是可以选择执行选项 A 或选项 B。

因此，机器学习教会算法如何自行做出决策，而不是用明确的指令编程软件。

机器学习的工作原理

如前所述，ML 指的是训练算法。然后，为了训练算法，用户需要拥有一个人工神经网络，也称为 ANN，它是由我们的大脑（生物神经网络）启发并以此为模型的一组算法，它由相互连接的不同神经元组成。

神经元是机器学习中一个基本但相互关联的功能单元，它处理外部输入。数据进入神经元的输入，由神经元使用权重、偏差和激活函数进行处理，然后处理后的数据作为神经元的输出发送出去。

一旦您拥有能够接收输入数据并生成值的神经元，您就必须通过更改其权重和偏差来训练神经元，直到输出完美。

机器学习将这些神经元用于许多不同的任务，包括预测事件的结果、股票价格，甚至足球运动员在比赛中的动作。为了预测结果，神经元从任何以前的事件中获取输入信息。

机器学习的能力

监督学习是主要的 ML 解决方案类型。这些是在训练数据可用的情况下，允许代码在开发过程中获得对其性能的反馈的解决方案。

游戏和物体识别是监督学习任务的示例，因为机器在学习过程中会收到反馈。它是否正确识别了图像中的物体？它赢得了游戏，还是在玩了 10 秒钟后输了？它可以根据反馈修改其决策过程，以便下次做得更好。

分类和强化学习是监督学习问题的两个最常见的子类别。

在分类问题中，软件（例如过滤垃圾邮件的软件或图像识别程序）会获得一组输入，并且必须学习准确地对这些输入进行分类。

在强化学习中，软件（也称为“代理”）会动态地与环境互动并决定下一步做什么。代理必须根据当前环境、正负奖励和采取的行动，找出完成目标的最佳方法。

强化学习代理已经开始学习玩各种类型的视频游戏，包括更困难的策略游戏，如星际争霸 2。它们还可以学习玩游戏，例如掌握围棋和国际象棋等棋类游戏，吃豆人，与 Dota 2 中的专家竞争，以及玩吃豆人。

机器学习的例子

当问题在一系列上下文和环境中出现时，机器学习被用来寻找答案。

智能汽车

基于从许多内部和外部传感器收集的数据，ML 可以根据从许多内部和外部传感器收集的数据来评估驾驶环境和驾驶员状态。

例如，智能汽车能够使用 ML 来观察、识别然后识别物体。由于环境中有很多不同的物体，因此将每个物体的具体信息明确地编码到汽车的架构中会非常困难。但是，如果您使用机器学习来训练汽车识别物体，它就可以自行决定。

音乐和视频推荐

使用音乐应用程序的孩子们可能想知道该程序如何推荐他们可能喜欢的其他歌曲。同样，YouTube 如何选择孩子们接下来想观看的视频？机器学习使这一切成为可能。使用来自以前观看过的视频的数据来训练算法，构建并改进确定听众或观看者喜好的算法。

网络搜索

在搜索引擎中搜索任何内容都需要大量的工作和机器学习。Google 如何确定成千上万的结果中哪些与搜索查询相关？互联网上的所有内容都使用高度发展的人工智能和 ML 进行分类，这决定了哪些照片是“狗”和“猫”，哪些文章是关于“尼斯湖水怪”或“大脚怪”。

结论

监督学习是主要的机器学习问题类型之一。在强化学习中，软件会动态地与环境互动并决定下一步做什么。代理还可以学习玩吃豆人，掌握围棋和国际象棋等棋类游戏，以及与 Dota 2 中的专家竞争。机器学习可以根据从许多内部和外部传感器收集的数据来评估驾驶环境和驾驶员状态。