简单易懂的人工智能系列：机器学习介绍

云计算

我们日常生活中使用的个人计算机，普遍存在资源使用率低的情况（cpu，内存，硬盘等部分处于空闲状态），因此我们可以将这三部分抽象出来，依据不同情况分给特定的对象使用完成相应的任务，来提高资源利用率，这种技术被称为虚拟化，已经比较成熟。

而如果这些使用的对象是企业或者机构，设想一下，如果我们的计算机资源处在特定的地点，我们是不是也可以按需组合计算机资源，然后分配给有需求的对象呢？

云计算的概念

云计算是一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问，进入可配置的计算资源共享池（资源包括网络、服务器、存储、应用软件、服务），这些资源能够被快速提供，只需投入很少的管理工作，或与服务供应商进行很少的交互。

大数据

大数据是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策里、洞察发现力和流程优化力的海量、高增长率和多样化的信息资产。

但是实际上，一般提到“大数据”的时候，可能包括多方面的内容，比如数据采集，存储计算，分析应用，人工智能等等。大数据不再单单指数据本身，同时还包括处理数据和存储数据技术，以及对数据的迁移应用。

云计算与大数据的关系

云计算提供存储和计算的基础设置，而大数据则是运行在其上的实际应用。

打个比方，云计算相当于房屋里的设备和设施，而大数据则是在这些设施上开展的一系列活动。

人工智能

人工智能 AI，简单的讲，就是会学习的计算机程序。详细的人工智能分类和介绍可看这篇文章 —> 人工智能知多少

什么是机器学习

机器学习是对于某类任务T和性能度量P，如果一个计算机程序，在T上以P衡量的性能随着经验E而不断自我完善，那么我们称这个计算机程序从经验E中学习。

简单的说就是，在性能P的度量下，通过一定的算法从大量的历史数据或者策略中学习产生最佳模型，来完成预测任务。任何计算机程序通过经验来提高某任务处理性能的行为，都称为机器学习。

类似教小朋友认识猫，事先给他一些猫的图片，让他对猫的外表有一点的认识，下次他再见到新的有可能是猫的动物的时候，就可以从之前学习到的猫的定义，来判定是否是猫这种动物。

我们使用上述对机器学习的定义再举个实际编程的栗子：西洋跳棋

机器学习的思路：

• 任务T：下西洋跳棋
• 性能指标P：赢棋的概率
• 经验E：和自己对弈
• 确定的目标函数：V

我们对棋盘的状态b进行评估：

• x1：棋盘上黑子的个数
• x2：棋盘上红子的个数
• x3：棋盘上黑王的个数
• x4：棋盘上红王的个数
• x5：棋盘上被红子威胁的黑子个数
• x6：棋盘上被黑子威胁的红子个数

但是上面6个特征它们说明棋局好坏的能力也不同，有的代表性强，有的代表性弱，所以我们要给它们赋予一定的权重：

                            

那么V(b)就是一个目标函数，对于每一种走子b，目标函数都可以计算出一个实数值来说明棋局的好坏。

比如黑子赢了的棋局，我们将它的函数值定位为V(bi)=+100，这种情况下，已经没有红子，那么这个棋局就可以表示为：

                         

有了上面这些表示，我们就可以运用一些对局的局来训练我们的系统，那么就想通过这些样本来选择一组最合适的权值，让所有棋局与我们最终的预测结果都尽可能一致。

任何一个样本棋局都要表示为这样一个数据对<b,V(b)>,其中的V(b)我们通过给出来些近似函数V_hat(b)来手动的标记。

剩下的事情就是为这个学习算法选择最合适训练样例的权。一种常用的方法是把最佳的假设（或权重向量集合）定义为使训练值和假设预测出的值间的误差平方和E最小：

                                        

而对于具体的实现方法本文里我们就不做深入论述，后续文章是会有机器学习算法详解和程序实现。

我们来总结一下机器学习解决西洋跳棋问题的所具有的特点：

• 无需传统模式编程
• 定义任务、性能、经验以及目标函数。并提供目标函数学习方式即可
• 随着数据的变化，能自动学习、更新
• 利用自己对弈=>优化模型的方式，可以持续提升

适用场景：

• 不宜针对问题进行手工编程
• 不能定义该问题的解决方案
• 基于复杂数据的快速决策
• 大规模的个性化系统

机器学习和人工智能

人工智能是一个相对较大的过程，机器学习就是实现人工智能的一种 方法，而深度学习是机器学习的分支，是机器学习的一种技术。三者的关系大致如下图：

机器学习的发展历程

基础奠定时期：40年代末到60年代中

停滞期：60年代中到70年代末

这是机器学习的低潮期，但人们并没有停止研究的步伐，这个时期主要是模拟人类的概念学习过程，并采用逻辑结构或图结构作为机器内部描述，但这期间很少有震惊的成果。

复兴时期：70年代末至80年代末

• 从70年代末开始，人们从学习单个概念扩展到学习多个概念，探索不同的学习策略和各种学习方法
• 1980年，在美国的卡内基梅隆大学（CMU）召开了第一届机器学习国际研讨会
• 多层感知机（MLP）由伟博斯在1981年的神经网络反向传播算法（BP）中具体提出
• 1985-1986神经网络研究人员（鲁梅尔哈特，辛顿，威廉姆斯-赫，尼尔森）先后提出了MLP与BP训练相结合的理念
• 1986年昆兰提出决策树算法，更准确的说是ID3算法

复兴时期：90年代初到21世纪初

蓬勃发展期：21世纪初至今（深度学习）

机器学习的应用

机器学习研究趋势