2、机器学习概述：从基础到深度学习

机器学习概述：从基础到深度学习

一、机器学习简介

机器学习是一系列技术的集合，其共同目标是从数据中提取有意义的信息。这里的数据指的是任何可以用数字表示的事物，包括原始数字（如连续几天的股票价格、不同行星的质量、参加县集市人员的身高）、声音（某人对着手机说的话）、图片（花朵或猫的照片）、文字（报纸文章或小说的文本）、行为（某人喜欢的活动）、偏好（某人喜欢的音乐或电影）等。

我们的目标是发现有意义的信息，而“有意义”的定义由我们自己决定。通常，我们希望找到有助于理解数据的模式，或者利用过去的测量结果来预测未来事件。例如，根据某人已评分的电影来预测他们可能喜欢的电影，识别便条上的手写文字，或者仅通过几个音符识别一首歌曲。

一般来说，我们通过三个步骤来获取所需信息：
1. 确定我们想要查找的信息。
2. 收集我们希望包含该信息的数据。
3. 设计并运行算法，从这些数据中尽可能多地提取信息。

二、早期机器学习方法：专家系统

在深度学习广泛应用之前，从数据中学习的一种流行方法是创建专家系统。这些系统是计算机程序，旨在封装人类专家（如医生、工程师甚至音乐家）的思维过程。其思路是研究工作中的人类专家，观察他们的行为和做事方式，并可能请他们大声描述自己的过程。然后，我们用一组规则来捕捉这种思维和行为，期望计算机只需遵循这些规则就能完成专家的工作。

然而，这类系统虽然在建成后可能运行良好，但创建和维护却很困难。问题的关键在于生成规则的步骤，即特征工程，可能需要大量的人工干预和创造力。深度学习的部分成功之处在于，它通过算法自动创建规则，从而解决了这个问题。

以识别数字为例，假设我们想教计算