2、人工智能中的机器学习：原理、应用与局限

人工智能中的机器学习：原理、应用与局限

1. 蒙特卡罗模拟与机器学习的区别

蒙特卡罗模拟是一种基于随机过程的方法。例如，在图中所示的例子里，仅通过6次抛掷，得到圆周率π的值约为3.3。只需再多抛掷几次，结果就能超越阿基米德的计算；若进行大量抛掷，得到的π值会接近通过其他方法得出的最佳值。

而机器学习则截然不同。以一个用于区分正方形和圆形的程序为例，在机器学习中，我们只需提供大量已知的正方形和圆形图像，并为每个图像标注正确的类别。计算机就能从这些标注数据中创建自己的规则，而这些规则并非由程序员直接赋予。机器利用积累的经验，最终能正确对未知图像进行分类，程序员无需明确界定使形状成为圆形或正方形的参数。

2. 机器学习的发展历程与种类

机器学习时代始于像马文·明斯基（Marvin Minsky）和弗兰克·罗森布拉特（Frank Rosenblatt）等先驱对早期神经网络的研究。不过，由于缺乏能应用于大多数现实问题的算法、输入存储和计算能力原始等原因，这一方法曾一度停滞。推动该领域前进的重大概念创新是反向传播和卷积。

大多数机器学习算法可分为以下三类：
- 基于抽象多维空间中数据点聚类的分类方法（支持向量机） ：通过将数据点映射到高维空间，找到最优的分类超平面。
- 基于概率考量的分类方法（贝叶斯算法） ：依据贝叶斯定理，根据数据的概率分布进行分类。
- 通过决策树和随机森林中的顺序搜索对数据进行分层的分类方法 ：构建决策树或随机森林，对数据进行逐层划分。

除神经网络外，上述这些方法