機器學習技術的應用經驗及建議探討

吳建華

摘? 要：機器學習技術是人工智能的核心，是計算機智能化的基礎。機器學習技術逐步成為計算機科學、人工智能等信息產業的主要發展方向。文章結合機器學習技術的發展對目前機器學習技術的應用現狀進行了簡要分析，并提出了幾點建議。

關鍵詞：機器學習技術;應用經驗;建議

中圖分類號：G434 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）07-0138-02

Abstract： Machine learning technology is the core of artificial intelligence and the foundation of computer intelligence. Machine learning technology has gradually become the main development trend of computer science， artificial intelligence and other information industry. Taking into consideration the development of machine learning technology， this paper briefly analyzes the application status of machine learning technology， and puts forward some suggestions.

Keywords： machine learning technology; application experience; suggestion

機器學習技術是人工智能的核心，是計算機智能化的基礎。21世紀以來，機器學習技術逐步成為計算機科學、人工智能等信息產業的主要發展方向。其實早在計算機科學創立的同時，計算機科學的鼻祖圖靈就為人類打開了人工智能的大門，他曾說過“A computer would deserve to be called intelligent，if it could deceive a human into believing that it was human.”意思就是“當一個計算機能成功欺騙人類，讓他們覺得它是一個人的時候，這樣就能被稱為人工智能。”以此來看，想要真正地實現計算機的人工智能，必須依靠機器學習技術，只有機器具備了和人類一樣的學習能力，才能被稱為是人工智能。

機器學習是一門綜合性、多領域交叉滲透的學科，主要涉及統計學、凸分析、逼近論、概率論、算法復雜度理論等學科。機器學習技術的主要研究目的是通過研究計算機如何學習和模擬人類的學習行為，讓計算機獲取新的技能或知識，并通過對所學知識的整合改善自身性能。

1 機器學習技術的發展歷程

機器學習技術的發展歷程根據研究途徑及研究目的大致可分為四個階段。

第一階段為二十世紀五十年代中葉至六十年代中葉，這段時期機器學習技術主要研究機器“有無知識的學習”。具體方法是通過對機器的相關性能參數和所處環境的變化來檢測機器系統所反饋出的相應數據，即給系統一個運行程序，然后改變其自由空間作用，而系統將受程序的影響而改變自身的組織結構，最終系統會選擇最優環境生存。該階段內最具代表性的機器學習研究就是Samuet的下棋程序，該階段機器學習技術還處于啟蒙階段，研究方式和結果相對簡單，無法滿足人們的生產生活需要[1]。

第二階段為二十世紀六十年代中葉至七十年代中葉，該階段機器學習技術主要研究將不同領域的知識信息植入到系統中，通過圖結構及邏輯結構方面的系統描述語言將相關知識轉化為機器語言，以此來達到讓機器模擬人類學習的目的。但在進行相關研究過程中，人們發現人類的學習過程是一個長期、復雜的過程，而在該階段的機器學習無法讓系統進行更深入的學習。在此階段機器學習方面最有代表性的成果就是Winson和Hayes-Roth的對結構學習系統方法。

第三階段為二十世紀七十年代中葉至八十年代中葉，該階段又被稱為機器學習技術的復興時期。通過前兩個發展階段的積累，人們在此階段將系統學習單個概念擴展至學習多個概念，并探索出各種不同的機器學習方法和策略，最重要的是，在該階段內人們開始將機器學習技術與其他體系的應用進行結合。相關的應用和專家系統對知識獲取的需求也相應地激勵了機器學習技術的發展，機器學習技術的發展主流也從專家學習系統轉變為實例歸納學習系統，這就表示機器學習技術的研究目的已經發展為如何讓機器系統自主獲取知識。在此期間，第一屆機器學習國際研討會在美國卡內基梅隆召開，標志著機器學習技術的發展受到了人們的廣泛關注[2]。

第四階段即從二十世紀八十年代中葉至今，該階段是機器學習技術發展的最新階段，伴隨機器學習技術不斷發展，其逐漸具備了下列特點：

（1）機器學習技術發展成為新的系統學科，其綜合應用了生物學、數學、心理學、神經生理學、計算機技術、自動化技術等學科的相關知識。

（2）機器學習技術融合和發展了不同的學習方法，形式更加靈活、更加高效的集成式學習系統研究也正在慢慢興起。

（3）關于機器學習技術與人工智能技術在一些基礎問題上形成了統一性的觀點。

（4）隨著機器學習技術中各種類型的學習方式的應用，其應用范圍不斷擴展，相關的研究成果逐步在向產品轉化。

（5）機器學習技術及相關技術的研究空前活躍。

2 機器學習技術的應用及建議

隨著計算機技術的不斷發展，大數據及云計算等技術日益成熟，這給機器學習技術的發展帶來了廣闊的空間和完備的技術條件。2016年3月，阿爾法狗（AlphaGo）與圍棋世界冠軍李世石進行了一場人機大戰，最終總比分4：1。之后，阿爾法狗在網上以“Master”為名與中日韓數十位高手進行了切磋，60局無一敗績，并在2017年5月舉行的中國烏鎮圍棋峰會上戰勝世界排名第一的圍棋冠軍柯潔。國家語委和教育部于2017年7月18日在北京發布了2016年《中國語言生活狀況報告》，“阿爾法狗”一詞成為2016年中國媒體年度新詞[3]。“阿爾法狗”的核心原理就是深度學習，它的圍棋水平證明了機器學習技術的發展已經有了一定成果。目前，機器學習技術的應用范圍越來越廣泛，主要應用范圍如下：

2.1 數據挖掘與分析

“數據挖掘”與“數據分析”在機器學習領域是相似的意思，主要是指從大量數據中識別出有效的、特殊的、有價值的數據信息。在信息技術應用之前，人們只能通過人工對數據進行挖掘和分析，而隨著信息時代來臨，數據信息呈爆炸式發展，人們在無時無刻的創造數據，也在不斷地使用數據來進行工作和生活[4]。數據挖掘與分析是機器學習技術中數據存儲技術與算法的結合，通過目前高效的數據存儲技術進行數據的高效讀寫，再通過機器學習技術提供的知識發現、數據統計分析等方式分析海量數據中的有用信息。由此可見，機器學習技術在數據挖掘和分析方面具有無可比擬的優勢。

2.2 模式識別

模式識別最早屬于工程學科的范疇，而機器學習技術屬于計算機科學，兩者的結合給模式識別領域帶來新的發展機遇。其主要研究方面有兩部分：

（1）研究生命體如何感知外界環境和其他生物，也就是認識科學的研究范疇。

（2）在特定的環境或需求下，通過計算機技術實現模式識別，這就是機器學習技術的研究內容，也是機器學習的長項。

在信息時代，模式識別的應用越來越廣泛，通過圖像分析、計算機視覺、光學文字識別、語音識別、手寫識別、自然語言處理、生物特征識別等方式的應用，能讓人們在工作和生活中更加便捷、更加智能化。例如基于生物特征識別和語音識別等技術，我們現在可以通過人臉開手機或開鎖、可以刷臉支付、可以語音控制智能家居，而這些模式識別正式機器學習技術所擅長的。

2.3 在生物信息學上的應用

隨著基因技術的發展，人們對基因組及相關測序項目的研究不斷深入，并積累了大量的數據信息，生物信息學的研究重點會逐步從提取數據轉變為分析數據。如此龐大和復雜的數據對計算機軟件和理論算法提出了極高的要求，而機器學習技術目前日趨成熟，遺傳算法、神經網絡、支持向量機和決策樹等相關方法正適合處理生物信息學中海量、缺乏統一理論標準且還有噪聲的數據[5]。

2.4 具體應用

（1）虛擬助手。目前，虛擬助手的應用越來越廣泛，例如百度旗下的“小度”和小米旗下的“小艾同學”等都屬于近年來比較火熱的虛擬助手產品，它們能通過語音或生物識別技術識別你的具體指令，然后通過機器學習技術幫你控制家用電器或幫你規劃最優交通路線等等。

（2）無人駕駛。無人駕駛至今已經發展了近五十年，目前世界上最先進的無人駕駛汽車已經測試行駛近五十萬公里，且其后八萬公里的行駛過程中完全沒有人為干預。無人駕駛技術即通過機器學習技術感知周邊環境并自行對環境信息進行處理，然后再進行駕駛操作[6]。

綜上所述，隨著信息革命的深入和大數據時代的來臨，人們只有通過機器學習技術對數據、知識進行高效獲取和處理，才能有效提高生產效率和生活質量。特別是針對工程應用和科學研究領域的復雜問題的解決，機器學習技術具有明顯的優勢。因此，未來科技的發展、社會的進步離不開機器學習技術的合理應用。

參考文獻：

[1]黃魯成，薛爽.機器學習技術發展現狀與國際競爭分析[J].現代情報，2019，39（10）：165-176.

[2]張軍英.機器真智能與現行機器學習技術[J].新教育時代電子雜志（教師版），2019（1）：91，88.

[3]馬振.AlphaGo背后的機器學習技術[J].電腦迷，2018（16）：81.

[4]劉偉佳，李博權.物聯網、大數據分析和機器學習技術在災備中的應用研究[J].微電子學與計算機，2018，35（12）：55-58.

[5]薛明峰.機器學習安全性問題及其防御技術研究[J].中國戰略新興產業，2018（26）：213.

[6]林泓宇.大數據背景下的機器學習及其關鍵技術[J].電腦迷，2018（6）：122.