淺談機器學(xué)習(xí)與深度學(xué)習(xí)的概要及應(yīng)用

寧志豪　周璐雨　陳豪文

摘?要：在20世紀(jì)五六十年代，“人工智能”這個術(shù)語就早已被正式提出。經(jīng)歷了幾十個年代的發(fā)展，在AlphaGo擊敗李世乭時，人工智能（Artificial Intelligence）又受到了學(xué)者們的廣泛關(guān)注和研究，同時機器學(xué)習(xí)（Machine Learning）和深度學(xué)習(xí)（deep learning）也相應(yīng)的被提及到，甚至作為了人工智能其中的一個發(fā)展方向去拓展。本文對機器學(xué)習(xí)和深度學(xué)習(xí)的概念進行了解釋與區(qū)分，從實際應(yīng)用出發(fā)闡述了機器學(xué)習(xí)和深度學(xué)習(xí)的方向與應(yīng)用，以及機器學(xué)習(xí)算法的分類。鑒于沒有系統(tǒng)的學(xué)習(xí)過，可能在許多地方會有出入，還望更多的人能夠有自己的思考。

關(guān)鍵詞：機器學(xué)習(xí);深度學(xué)習(xí);算法

1 定義與區(qū)分

隨著愈來愈多的學(xué)者對機器學(xué)習(xí)領(lǐng)域的深入探索，機器學(xué)習(xí)這個詞的不同解釋也出現(xiàn)了很多。其中，Arthur Samuel對機器學(xué)習(xí)的定義是指在沒有明確的設(shè)定情況下，使計算機具有學(xué)習(xí)能力的研究領(lǐng)域。計算機程序從經(jīng)驗E中學(xué)習(xí)，為了解決某一任務(wù)T進行某一性能度量P，通過P測定在T上的表現(xiàn)因經(jīng)驗E而提高，這是Tom Mitchell對機器學(xué)習(xí)的定義。[1]其實簡單來說，它是對數(shù)據(jù)分布進行建模，然后從大量看似無規(guī)律的數(shù)據(jù)中抽象出共性的模式。而深度學(xué)習(xí)是機器學(xué)習(xí)的一個子類，可以把它看作一種特殊的機器學(xué)習(xí)。深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究。深度學(xué)習(xí)是機器學(xué)習(xí)中一種基于對數(shù)據(jù)進行表征學(xué)習(xí)的方法，是一種能夠模擬出人腦的神經(jīng)結(jié)構(gòu)的機器學(xué)習(xí)方法。

先舉個例子來區(qū)分機器學(xué)習(xí)和深度學(xué)習(xí)，比如在識別貓和狗時，機器學(xué)習(xí)需要人工的將區(qū)別貓、狗的一些特征進行提取，而深度學(xué)習(xí)則自動找出分類問題的特征。因此，對于大量數(shù)據(jù)，使用深度學(xué)習(xí)較好，數(shù)據(jù)量少時，傳統(tǒng)機器學(xué)習(xí)更適用。機器學(xué)習(xí)在解決問題時需把問題的步驟分解，而深度學(xué)習(xí)直接得到結(jié)果，可以實現(xiàn)實時的效果。當(dāng)然，深度學(xué)習(xí)在具備高效能的優(yōu)點時，它對硬件的要求也很高，尤其對GPU的要求。

2 機器學(xué)習(xí)算法分類

機器學(xué)習(xí)算法分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)以及推薦系統(tǒng)四大類。監(jiān)督學(xué)習(xí)（Supervised Learning）是給出帶有正確答案的數(shù)據(jù)集，通過算法得出更多的正確答案;無監(jiān)督學(xué)習(xí)（Unsupervised Learning）是不提前告知算法，只給出一堆數(shù)據(jù)集。監(jiān)督學(xué)習(xí)主要用于解決回歸問題（預(yù)測連續(xù)的數(shù)據(jù)值）和分類問題（預(yù)測離散值輸出）。如預(yù)測房價是回歸問題，根據(jù)某些已有的數(shù)據(jù)可以得出直線、二次函數(shù)或二階多項式。預(yù)測腫瘤的良性、惡性，只有兩種結(jié)果，是離散值的輸出，所以是分類問題。無監(jiān)督學(xué)習(xí)中的聚類算法是將數(shù)據(jù)分簇，比如谷歌的新聞推送。

除了以上介紹的兩種分類，還有半監(jiān)督學(xué)習(xí)，也就是強化學(xué)習(xí)。所謂的半監(jiān)督學(xué)習(xí)其實就是在其算法中可能會有一些Y值，剛開始你的訓(xùn)練模型可能訓(xùn)練的結(jié)果并不好，但是如果訓(xùn)練樣本增多，模型的結(jié)果也會更好。

3 機器學(xué)習(xí)應(yīng)用領(lǐng)域

機器學(xué)習(xí)是當(dāng)前的熱門話題，它應(yīng)用于各個領(lǐng)域，同時也具有著巨大的潛力。在工業(yè)和基礎(chǔ)科學(xué)等很多領(lǐng)域都涉及了它的相關(guān)內(nèi)容。

3.1 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是在大型數(shù)據(jù)庫中自動發(fā)現(xiàn)有用信息的過程，并將這些處理過的數(shù)據(jù)加以分析。數(shù)據(jù)挖掘是一門用數(shù)據(jù)發(fā)現(xiàn)問題，再去解決問題的學(xué)科。大部分數(shù)據(jù)挖掘中的算法是機器學(xué)習(xí)的算法在數(shù)據(jù)庫中的優(yōu)化。數(shù)據(jù)挖掘中用到了大量的機器學(xué)習(xí)提供的數(shù)據(jù)分析技術(shù)和數(shù)據(jù)庫界提供的數(shù)據(jù)管理技術(shù)。[2]在醫(yī)療方面，通過數(shù)據(jù)挖掘處理患者的醫(yī)療記錄，得到重要的數(shù)據(jù);在生物學(xué)研究中，通過對DNA序列數(shù)據(jù)的挖掘，找到相應(yīng)的基因;能對信用卡風(fēng)控進行評估，實行用戶流失的干預(yù)等。

3.2 自然語言處理（NLP）

自然語言處理，即是通過將用戶自然語言輸入計算機，再內(nèi)部進行算法的加工和計算等步驟，來模擬人類對自然語言的理解，最后將接近人類所實現(xiàn)的結(jié)果呈現(xiàn)給用戶，其目的是用計算機來代替人工處理大規(guī)模的自然語言信息。自然語言處理技術(shù)在語音識別中有非常重要的作用，現(xiàn)在，不論是電腦還是手機都配有語音識別的功能，將機器學(xué)習(xí)中深層神經(jīng)網(wǎng)絡(luò)（DNNs）技術(shù)引入語音識別，極大地降低了錯誤率、提高了可靠性。

3.3 圖像識別處理

將機器學(xué)習(xí)運用于圖像處理，通過分類并提取重要特征而排除多余的信息從圖像中識別出相關(guān)的模式，例如百度識圖、手寫字符識別、車牌識別等等應(yīng)用。通過這種用深度卷積神經(jīng)網(wǎng)絡(luò)CNN用來識別圖像中物體的方法可以實現(xiàn)將圖像中的對象轉(zhuǎn)換成對圖像場景進行描述的語句。[3]

4 總述

機器學(xué)習(xí)應(yīng)用的領(lǐng)域很多，像大型互聯(lián)網(wǎng)公司的推薦類功能、人臉識別相關(guān)功能、以及無人駕駛等都是利用機器學(xué)習(xí)技術(shù)實現(xiàn)的，我們的生活也在隨著這些相關(guān)技術(shù)而改變。機器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展也帶動著人工智能的進步，深度學(xué)習(xí)模擬了人腦構(gòu)造，采用了現(xiàn)在應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)技術(shù)。深度學(xué)習(xí)真正實現(xiàn)了人工智能的突破，在機器中融入了神經(jīng)網(wǎng)絡(luò)的思想，讓機器人時代更有可能到來。在其他各個行業(yè)，也將更需要機器學(xué)習(xí)和深度學(xué)習(xí)的相關(guān)技術(shù)。

參考文獻：

[1]機器學(xué)習(xí)[M].機械工業(yè)出版社，2003.

[2]蘇磊.數(shù)據(jù)挖掘在院校信息資源管理中的應(yīng)用[J].電腦知識與技術(shù)，2016，（5）：224-225.

[3]黃毅晟.基于移動端圖像識別的題庫采集模型實踐研究[J].中國信息技術(shù)教育，2016，（12）：75-78.