機器學習的發展史及應用前景

詹騏源

摘 要 隨著“人工智能”技術的發展，人們開始越來越多地研究計算機怎樣模擬或實現人類的學習行為，來獲取知識或技能。機器學習作為實現“人工智能”的一種方法，文章對其從淺層學習到深度學習的發展歷程進行了總結與梳理，簡要分析了三類機器學習模式和決策樹算法、K最近鄰算法、樸素貝葉斯算法等機器學習的算法理論與應用，并提出了展望。

關鍵詞 機器學習；發展史；應用

中圖分類號 TP2 文獻標識碼 A 文章編號 1674-6708（2018）222-0138-02

自阿爾法狗擊敗世界圍棋冠軍柯杰后，“人工智能”一詞在社會和生活中的熱度不斷升高。隨著人工智能概念的普及，人們不止一次聽說過“機器學習”這個詞，而實際上，“機器學習”和人工智能仍有本質差別[ 1 ]。從嚴格意義上講，阿爾法狗的誕生更多是歸功于機器學習這一領域。

那么，機器學習究竟是指什么呢？它在生活中被應用的實例又有哪些呢？其實，“機器學習”是一種方法，不同于人工智能，它的目標并不是讓機器獲得和人類一樣的思考能力，而是使計算機擁有在沒有被明確編程情況下學習的能力[2]。通俗地講也就是通過算法使得機器從大量數據中學習規律，從而擁有對新樣本分析和研究的能力。而我們日常生活中接觸的Siri、面部識別等功能都是機器學習進步的結果。

1 機器學習的發展史

“機器學習”的發展并不是一帆風順的，它的起源可以追溯到1949年赫布理論的誕生[ 3 ]。它在20世紀70年代曾陷入了瓶頸期，而后大數據時代開始，機器學習也在大數據的支持下復興。因此我們可以大致將它的理念和運作模式從大數據時代前后分為淺層學習和深度學習。

1）小數據時代（淺層學習）。1949年，Donald Hebb 提出的赫布理論[4]解釋了學習過程中大腦神經元所發生的變化。赫布理論的誕生標志著機器學習領域邁出了第一步。1952年被譽為“機器學習之父”的Arthur Samuel設計了一款西洋跳棋程序。這個程序幫助機器觀察棋子的走位并構建新的模型以提高自己的下棋技巧。同時，IBM首次定義并解釋了“機器學習”，將其非正式定義為“在不直接針對問題進行編程的情況下，賦予計算機學習能力的一個研究領域”。1957年Rosenblatt發明了感知器模型[5]，這種模型被認為是機器學習人工神經網絡中較為典型的算法。而3年后Widrow提出了 Delta學習規則，也就是差量學習規則，即如今的最小二乘問題。這種學習規則隨即被應用到了感知器模型中，創建出了更精確的線性分類器。隨后“機器學習”的發展出現了瓶頸。在1969年，Minsky提出了異域問題，指出了感知器的本質缺陷——面對線性不可分問題時的無力，即當空間內的點無法被直線分類時，感知器便會束手無措。盡管1970年Linnainmaa首次提出了著名的BP算法以解決此問題，可當時并沒有引起重視。直到80年代末此算法才開始被接納使用，并給機器學習帶來了希望。人們發現，BP算法可以幫助機器通過大量數據統計整理規律從而對未知的事件作出推測。這時候的感知機只是種含有一層隱層節點的淺層模型，這個時代的機器學習也因而得名——淺層學習。到了90年代，淺層學習進入了黃金時代，各種各樣的淺層學習模型被相繼提出，這些模型大多數在實際運用中都取得了巨大的成功。

2）大數據時代（深度學習）。隨著人類對數據信息的收集和應用逐漸嫻熟，對數據的掌控力逐漸提升，“機器學習”在海量數據的支持下攀上了新的高峰，即深度學習。深度學習的實質便是通過海量的數據進行更有效的訓練從而獲得更精確的分類或預測。深度學習的理念在2006年由Geoffrey Hinton和他的學生提出，并在當時引起了轟動，在學術界和工業界掀起了深度學習的浪潮。

2 機器學習的分類

如今，機器學習被廣泛分為3個大類，有監督學習、無監督學習以及半監督學習。這些學習模式各具特點，因而被用于處理和應對不同的問題和場景。

1）有監督學習。有監督學習為每組數據編寫特定的標識，讓機器在已知規則的約束下對數據進行分類。而計算機會根據分類的準確性不斷自我優化，直到預測的準確性達到自身的預期。

2）無監督學習。有監督學習是指機器在已有的規則下進行學習，無監督學習則是指在沒有任何標識的情況下進行分類。對于未分類的事物，機器會根據自己的判斷將物品根據一定的特征歸類。如果把機器人當做一個孩子，有監督學習是讓他在已知規則下對物品進行分類得出較為精確的結果；而無監督學習則是放手讓這個孩子根據自己的喜好用自己希望的方式對物品進行分類，從而推斷出數據的內部結構。當我們面對沒有標簽的數據時，我們也可以先應用無監督學習讓機器對物品的內在結構進行估測，再在已有估計的基礎上為數據添加標簽從而應用有監督學習得出較為精確的分類結果。

3）半監督學習。有監督學習和無監督學習分別對應了兩種特定的數據。那么，當我們同時面對標簽和未標簽的數據時，我們該如何處理呢？近期專家提出了一種新的學習模式，那就是半監督學習。半監督學習在面對兩類數據時同時具有有監督學習和無監督學習的優勢。它可以對已標簽數據精確分析并估算預測未標簽數據，從而處理多類數據共存的問題。

3 機器學習的算法

我們已經了解了機器學習的大分類，在有監督學習、無監督學習、半監督學習的分類標準下，每個分類都會對應一些算法。當然，并不一定是一一對應。算法是一種工具，它幫助我們在輸入數據后預測出結果。下文將會介紹幾個常用的算法。

1）決策樹算法。決策樹算法是機器學習中較為簡單也較為典型的算法。首先我們需要明確，算法的作用是幫助我們預測數據對應的結果，算法所應用的對象是包含許多數據的個體。而面對不同的問題，我們仍需要訓練算法這一過程。決策樹算法是通過已經提取的特征對數據進行分類的，它先將已經提取的信息進行信息熵的計算以確定其包含信息量的多少。這一過程我們通常使用ID3算法或C4.5算法。在CART決策樹中我們用基尼指數來劃分屬性。之后通常狀況下會按照從包含數據多到包含數據少進行排列。然后開始以此順序對個體進行分類。當整個分類完成后，決策樹模型的構建也就完成了。此時若我們要預測一個新個體的數據，只需要把他的信息輸入決策樹，就可以對應出預測的結果。

2）K最近鄰算法。相比于決策樹算法，K最近鄰算法會更容易理解。在訓練K近鄰算法的過程中，我們首先把提取的數據向量化，讓它們在空間中排列成點集。K取值正整數，含義為和某點距離最近的K個點，通過對點的分類來實現對數據的分類。它主要用于討論數據的相關性。在使用這種算法時，我們可能會用到歐式幾何或者非歐幾何中不同的距離度量來討論空間中點與點之間的距離。如我們生活中最常見的歐氏距離或是把平面看做棋盤用步數描述距離的切比雪夫距離。

3）樸素貝葉斯算法。當我首次看到這個算法時，我便聯想到了曾學習過的條件概率。在樸素貝葉斯算法中，給定目標值的屬性都被假設為相互獨立的條件概率。和決策樹模型不同，樸素貝葉斯分類器更簡單，也更依賴它的數學基礎，以及穩定的分類效率。同時它的參數很少，因而對缺失的數據不敏感。同時，由于該算法模型建立在假設所有數據都相互獨立的基礎上，而現實中數據與數據之間難免存在聯系，所以這個算法在實際生活中的運用往往是不精確的。

4 機器學習在生活中的應用

機器學習中各式各樣的算法和它們所針對的諸多方面注定了機器學習在生活中的不同方面會被廣泛應用。例如當我們要預測某個產品的受眾面時，我們就可以使用決策樹算法。我們首先選擇一定數量的個體，提取他們的信息，按照訓練決策樹模型的流程進行操作。這樣構建好的決策樹模型就可以在我們給予新個體時按照新個體的信息預測出他是否為該產品的受眾人群。

同時，機器學習還可以被用于風險評估、滿意度預測、垃圾信息的過濾乃至人臉識別等方面。

5 結論

人類的學習能力無疑是勝過機器的，但對于人腦來說，反復地處理數據是枯燥乏味的，同時人類也難以進行龐大信息的分析處理。這便是機器學習的優勢和作用，“不會厭倦，不知疲憊”。

曾經業界有一種說法，描述機器學習可以動搖人類的“自由意志”，因為大數據時代龐大的信息量可以支持機器做到非常精確的分析。當學習模型構建得足夠精準時，機器就可以預測任何個體的行為。機器的預測決定了人的行為，自由意志便不復存在了。這當然是對機器學習“威力”較為夸張的展望。但筆者認為機器學習縱然達不到預知未來，也將在未來對人類的生活產生巨大的影響。

未來的某一天，機器學習可以幫助人類進行預知地震、海嘯等，預知現在難以避免的風險。機器學習也會在人類的逐步研究中成為人類的左膀右臂，幫助我們繼續進步，渡過難關。

參考文獻

[1]曹栩森.機器學習的發展與應用[J].消費導刊，2017（28）.

[2]李凡長.機器學習理論及應用[M].北京：中國科學技術大學出版社，2009.

[3]余殷博.基于人工智能下的機器學習歷史及展望[J].電子技術與軟件工程，2017（4）：129.

[4]甄盼好.淺談機器學習方法[J].網絡安全技術與應用，2014（1）：176-177.

[5]王永慶，劉華.機器學習方法進展研究[J].無線互聯科技，2013（7）：138.