更新時間:2021-10-07 來源:黑馬程序員 瀏覽量:
最近幾年,人工智能概念越來越熱,與人工智能相關聯(lián)的職位薪資也是水漲船高,然后很多人想要破圈去要做人工智能,那作為產(chǎn)品經(jīng)理我們也需要跟上時代的步伐學習一些人工智能的知識,今天我們來探討一下機器學習。
在談機器學習( machine learning) 之前, 先提一下兩個相關的名詞: 模式識別( pattern recognition) 和深度學習( deep Learning)。
模式識別是很早就發(fā)明出來的技術,在人工智能發(fā)展初期最被看好。長期以來,計算機都無法處理語音文本的語義識別,圖像代表的含義,通過模式識別就可以做到。模式可以理解為特點特色,簡單說就是某個事物具備的獨特標示, 模式識別就是利用待處理數(shù)據(jù)(包括圖像、文本、語音等)的這些特征,將這些數(shù)據(jù)與模式中的各個特點來匹配,這樣我們就能識別出來這些未知事物代表的含義了。不過模式識別也具有很明顯的缺陷,因為需要依賴人對這些事物進行特定的標示,簡而言之就是人教會機器通過識別某些特征進而認識這些事物,而不是機器認識的。
深度學習于2006年由Hinton等人提出,其基本思想也是參考人類大腦,人類大腦具備學習能力,通過對人腦工作機制的梳理,了解了人腦對數(shù)據(jù)的存儲和處理方式,然后建立相應的計算模型,這樣就使算法具有自適應和自組織的能力。深度學習早期的基本算法模型是神經(jīng)網(wǎng)絡模型,現(xiàn)在已經(jīng)“進化”為卷積神經(jīng)網(wǎng)絡。
相比于模式識別,深度學習可以通過自發(fā)的方式來學習如何實現(xiàn)對未知事物的識別,具備自我學習進化的能力,是非常成功的前沿技術。
下面我們舉個簡單的例子,看看“機器學習”系統(tǒng)是如何工作的。 假設我們做出了一個可以對動物進行自動分類的系統(tǒng),現(xiàn)在,我們要用它在一堆動物照片中挑出貓咪和狗子。 整個過程如下:
先提供大量的貓和狗的照片給到系統(tǒng),并告知系統(tǒng)哪些是貓,哪些是狗,并不需要告知系統(tǒng)這些動物的具體特征。然后系統(tǒng)根據(jù)告知的圖片來查找圖片之間的共性,比如貓咪的特色,狗子的特色,這樣系統(tǒng)通過大量的數(shù)據(jù)找到貓和狗的共同點,數(shù)量越大,效果越好。以上過程可以稱之為訓練,訓練結束后,給系統(tǒng)一些包含貓和狗照片的動物照片,讓系統(tǒng)分辨這些動物照片哪些是貓哪些是狗。以上的過程就是機器學習的過程。相比模式識別,最大的差別就是系統(tǒng)可以通過投喂的數(shù)據(jù)自動分析出想要識別的事物的特征,而不再需要人工提供特征數(shù)據(jù),這就可以大大提高準備率,大大降低工作量。而且這種方式和需要分別的具體事務沒有關系,投喂不同的數(shù)據(jù)就可以識別更多的事物,所以機器學習的算法與具體的事物無關,可以一次開發(fā)多處使用。
以上是對機器學習的簡單介紹,如果要完成機器學習,還需要更多的技術支持,比如對于圖片的識別,需要先對圖片進行分析,所以需要強大的系統(tǒng)的支持,我們作為產(chǎn)品經(jīng)理了解到以上的信息基本可以做到對及機器學習的掃盲了。