機(jī)器學(xué)習(xí)（Machine Learning，ML）是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。其專門研究計(jì)算機(jī)是怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)，使之不斷改善自身的性能。此外，數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)有很大的交集。本文將從架構(gòu)和應(yīng)用角度去解讀這兩個(gè)領(lǐng)域。
機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的聯(lián)系與區(qū)別
數(shù)據(jù)挖掘是從海量數(shù)據(jù)中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過程。數(shù)據(jù)挖掘中用到了大量的機(jī)器學(xué)習(xí)界提供的數(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)。從數(shù)據(jù)分析的角度來看，數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)有很多相似之處，但不同之處也十分明顯，例如，數(shù)據(jù)挖掘并沒有機(jī)器學(xué)習(xí)探索人的學(xué)習(xí)機(jī)制這一科學(xué)發(fā)現(xiàn)任務(wù)，數(shù)據(jù)挖掘中的數(shù)據(jù)分析是針對海量數(shù)據(jù)進(jìn)行的，等等。從某種意義上說，機(jī)器學(xué)習(xí)的科學(xué)成分更重一些，而數(shù)據(jù)挖掘的技術(shù)成分更重一些。
學(xué)習(xí)能力是智能行為的一個(gè)非常重要的特征，不具有學(xué)習(xí)能力的系統(tǒng)很難稱之為一個(gè)真正的智能系統(tǒng)，而機(jī)器學(xué)習(xí)則希望（計(jì)算機(jī)）系統(tǒng)能夠利用經(jīng)驗(yàn)來改善自身的性能，因此該領(lǐng)域一直是人工智能的核心研究領(lǐng)域之一。在計(jì)算機(jī)系統(tǒng)中，“經(jīng)驗(yàn)”通常是以數(shù)據(jù)的形式存在的，因此，機(jī)器學(xué)習(xí)不僅涉及對人的認(rèn)知學(xué)習(xí)過程的探索，還涉及對數(shù)據(jù)的分析處理。實(shí)際上，機(jī)器學(xué)習(xí)已經(jīng)成為計(jì)算機(jī)數(shù)據(jù)分析技術(shù)的創(chuàng)新源頭之一。由于幾乎所有的學(xué)科都要面對數(shù)據(jù)分析任務(wù)，因此機(jī)器學(xué)習(xí)已經(jīng)開始影響到計(jì)算機(jī)科學(xué)的眾多領(lǐng)域，甚至影響到計(jì)算機(jī)科學(xué)之外的很多學(xué)科。機(jī)器學(xué)習(xí)是數(shù)據(jù)挖掘中的一種重要工具。然而數(shù)據(jù)挖掘不僅僅要研究、拓展、應(yīng)用一些機(jī)器學(xué)習(xí)方法，還要通過許多非機(jī)器學(xué)習(xí)技術(shù)解決數(shù)據(jù)倉儲、大規(guī)模數(shù)據(jù)、數(shù)據(jù)噪聲等實(shí)踐問題。機(jī)器學(xué)習(xí)的涉及面也很寬，常用在數(shù)據(jù)挖掘上的方法通常只是“從數(shù)據(jù)學(xué)習(xí)”。然而機(jī)器學(xué)習(xí)不僅僅可以用在數(shù)據(jù)挖掘上，一些機(jī)器學(xué)習(xí)的子領(lǐng)域甚至與數(shù)據(jù)挖掘關(guān)系不大，如增強(qiáng)學(xué)習(xí)與自動控制等。所以筆者認(rèn)為，數(shù)據(jù)挖掘是從目的而言的，機(jī)器學(xué)習(xí)是從方法而言的，兩個(gè)領(lǐng)域有相當(dāng)大的交集，但不能等同。
典型的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)過程
圖1是一個(gè)典型的推薦類應(yīng)用，需要找到“符合條件的”潛在人員。要從用戶數(shù)據(jù)中得出這張列表，首先需要挖掘出客戶特征，然后選擇一個(gè)合適的模型來進(jìn)行預(yù)測，最后從用戶數(shù)據(jù)中得出結(jié)果。
圖1
把上述例子中的用戶列表獲取過程進(jìn)行細(xì)分，有如下幾個(gè)部分（見圖2）。
圖2
- 業(yè)務(wù)理解：理解業(yè)務(wù)本身，其本質(zhì)是什么？是分類問題還是回歸問題？數(shù)據(jù)怎么獲取？應(yīng)用哪些模型才能解決？
- 數(shù)據(jù)理解：獲取數(shù)據(jù)之后，分析數(shù)據(jù)里面有什么內(nèi)容、數(shù)據(jù)是否準(zhǔn)確，為下一步的預(yù)處理做準(zhǔn)備。
- 數(shù)據(jù)預(yù)處理：原始數(shù)據(jù)會有噪聲，格式化也不好，所以為了保證預(yù)測的準(zhǔn)確性，需要進(jìn)行數(shù)據(jù)的預(yù)處理。
- 特征提�。禾卣魈崛∈菣C(jī)器學(xué)習(xí)最重要、最耗時(shí)的一個(gè)階段。
- 模型構(gòu)建：使用適當(dāng)?shù)乃惴�，獲取預(yù)期準(zhǔn)確的值。
- 模型評估：根據(jù)測試集來評估模型的準(zhǔn)確度。
- 模型應(yīng)用：將模型部署、應(yīng)用到實(shí)際生產(chǎn)環(huán)境中。
- 應(yīng)用效果評估：根據(jù)最終的業(yè)務(wù)，評估最終的應(yīng)用效果。
整個(gè)過程會不斷反復(fù)，模型也會不斷調(diào)整，直至達(dá)到理想效果。
機(jī)器學(xué)習(xí)概覽
機(jī)器學(xué)習(xí)的算法有很多，這里從兩個(gè)方面進(jìn)行介紹：一個(gè)是學(xué)習(xí)方式，另一個(gè)是算法類似性。
學(xué)習(xí)方式
根據(jù)數(shù)據(jù)類型的不同，對一個(gè)問題的建�？梢杂胁煌姆绞�。在機(jī)器學(xué)習(xí)或人工智能領(lǐng)域，人們首先會考慮算法的學(xué)習(xí)方式。在機(jī)器學(xué)習(xí)領(lǐng)域有如下幾種主要的學(xué)習(xí)方式。
- 監(jiān)督式學(xué)習(xí)：在監(jiān)督式學(xué)習(xí)下，輸入數(shù)據(jù)被稱為“訓(xùn)練數(shù)據(jù)”，每組訓(xùn)練數(shù)據(jù)都有一個(gè)明確的標(biāo)識或結(jié)果，如對防垃圾郵件系統(tǒng)中的“垃圾郵件”、“非垃圾郵件”，對手寫數(shù)字識別中的“1”、“2”、“3”、“4”等。在建立預(yù)測模型的時(shí)候，監(jiān)督式學(xué)習(xí)建立一個(gè)學(xué)習(xí)過程，將預(yù)測結(jié)果與“訓(xùn)練數(shù)據(jù)”的實(shí)際結(jié)果進(jìn)行比較，不斷地調(diào)整預(yù)測模型，直到模型的預(yù)測結(jié)果達(dá)到一個(gè)預(yù)期的準(zhǔn)確率。監(jiān)督式學(xué)習(xí)的常見應(yīng)用場景包括分類問題和回歸問題。常見算法有邏輯回歸和反向傳遞神經(jīng)網(wǎng)絡(luò)。
- 非監(jiān)督式學(xué)習(xí)：在非監(jiān)督式學(xué)習(xí)下，數(shù)據(jù)并不被特別標(biāo)識，學(xué)習(xí)模型是為了推斷出數(shù)據(jù)的一些內(nèi)在結(jié)構(gòu)。常見的應(yīng)用場景包括關(guān)聯(lián)規(guī)則的學(xué)習(xí)及聚類等。常見算法包括Apriori算法和K-Means算法。
- 半監(jiān)督式學(xué)習(xí)：在半監(jiān)督式學(xué)習(xí)下，輸入數(shù)據(jù)部分被標(biāo)識，部分沒有被標(biāo)識。這種學(xué)習(xí)模型可以用來進(jìn)行預(yù)測，但是模型首先需要學(xué)習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便合理地組織數(shù)據(jù)進(jìn)行預(yù)測。其應(yīng)用場景包括分類和回歸。常見算法包括一些對常用監(jiān)督式學(xué)習(xí)算法的延伸。這些算法首先試圖對未標(biāo)識的數(shù)據(jù)進(jìn)行建模，然后在此基礎(chǔ)上對標(biāo)識的數(shù)據(jù)進(jìn)行預(yù)測，如圖論推理算法或拉普拉斯支持向量機(jī)等。
- 強(qiáng)化學(xué)習(xí)：在強(qiáng)化學(xué)習(xí)下，輸入數(shù)據(jù)作為對模型的反饋，不像監(jiān)督模型那樣，輸入數(shù)據(jù)僅僅作為一種檢查模型對錯(cuò)的方式。在強(qiáng)化學(xué)習(xí)下，輸入數(shù)據(jù)直接反饋到模型，模型必須對此立刻做出調(diào)整。常見的應(yīng)用場景包括動態(tài)系統(tǒng)及機(jī)器人控制等。常見算法包括Q-Learning及時(shí)間差學(xué)習(xí)（Temporal Difference Learning）等。
在企業(yè)數(shù)據(jù)應(yīng)用的場景下，人們最常用的可能就是監(jiān)督式學(xué)習(xí)和非監(jiān)督式學(xué)習(xí)。在圖像識別等領(lǐng)域，由于存在大量的非標(biāo)識數(shù)據(jù)和少量的可標(biāo)識數(shù)據(jù)，目前半監(jiān)督式學(xué)習(xí)是一個(gè)很熱門的話題。而強(qiáng)化學(xué)習(xí)更多地應(yīng)用在機(jī)器人控制及其他需要進(jìn)行系統(tǒng)控制的領(lǐng)域。
算法類似性
根據(jù)算法的功能和形式的類似性，可以對算法進(jìn)行分類，如基于樹的算法、基于神經(jīng)網(wǎng)絡(luò)的算法等。當(dāng)然，機(jī)器學(xué)習(xí)的范圍非常龐大，有些算法很難明確歸到某一類。而對于有些分類來說，同一分類的算法可以針對不同類型的問題。這里，我們盡量把常用的算法按照最容易理解的方式進(jìn)行分類。
- 回歸算法：回歸算法是試圖采用對誤差的衡量來探索變量之間的關(guān)系的一類算法。回歸算法是統(tǒng)計(jì)機(jī)器學(xué)習(xí)的利器。常見的回歸算法包括最小二乘法、邏輯回歸、逐步式回歸、多元自適應(yīng)回歸樣條及本地散點(diǎn)平滑估計(jì)等。
- 基于實(shí)例的算法：基于實(shí)例的算法常常用來對決策問題建立模型，這樣的模型常常先選取一批樣本數(shù)據(jù)，然后根據(jù)某些近似性把新數(shù)據(jù)與樣本數(shù)據(jù)進(jìn)行比較，從而找到最佳的匹配。因此，基于實(shí)例的算法常常被稱為“贏家通吃學(xué)習(xí)”或者“基于記憶的學(xué)習(xí)”。常見的算法包括k-Nearest Neighbor（kNN）、學(xué)習(xí)矢量量化（Learning Vector Quantization，LVQ）及自組織映射算法（Self-Organizing Map，SOM）等。
- 正則化算法：正則化算法是其他算法（通常是回歸算法）的延伸，根據(jù)算法的復(fù)雜度對算法進(jìn)行調(diào)整。正則化算法通常對簡單模型予以獎(jiǎng)勵(lì)，而對復(fù)雜算法予以懲罰。常見的算法包括Ridge Regression、Least Absolute Shrinkage and Selection Operator（LASSO）及彈性網(wǎng)絡(luò)（Elastic Net）等。
- 決策樹算法：決策樹算法根據(jù)數(shù)據(jù)的屬性采用樹狀結(jié)構(gòu)建立決策模型，常用來解決分類和回歸問題。常見算法包括分類及回歸樹（Classification and Regression Tree，CART）、ID3（Iterative Dichotomiser 3）、C4.5、Chi-squared Automatic Interaction Detection（CHAID）、Decision Stump、隨機(jī)森林（Random Forest）、多元自適應(yīng)回歸樣條（MARS）及梯度推進(jìn)機(jī)（GBM）等。
- 貝葉斯算法：貝葉斯算法是基于貝葉斯定理的一類算法，主要用來解決分類和回歸問題。常見的算法包括樸素貝葉斯算法、平均單依賴估計(jì)（Averaged One-Dependence Estimators，AODE）及Bayesian Belief Network（BBN）等。
- 基于核的算法：基于核的算法中最著名的莫過于支持向量機(jī)（SVM）�；诤说乃惴ㄊ前演斎霐�(shù)據(jù)映射到一個(gè)高階的向量空間，在這些高階向量空間里，有些分類或者回歸問題能夠更容易地解決。常見的基于核的算法包括支持向量機(jī)（Support Vector Machine，SVM）、徑向基函數(shù)（Radial Basis Function，RBF）及線性判別分析（Linear Discriminate Analysis，LDA）等。
- 聚類算法：聚類算法通常按照中心點(diǎn)或者分層的方式對輸入數(shù)據(jù)進(jìn)行歸并。所有的聚類算法都試圖找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，以便按照最大的共同點(diǎn)將數(shù)據(jù)進(jìn)行歸類。常見的聚類算法包括K-Means算法及期望最大化算法（EM）等。
- 關(guān)聯(lián)規(guī)則學(xué)習(xí)：關(guān)聯(lián)規(guī)則學(xué)習(xí)通過尋找最能夠解釋數(shù)據(jù)變量之間關(guān)系的規(guī)則，來找出大量多元數(shù)據(jù)集中有用的關(guān)聯(lián)規(guī)則。常見的算法包括Apriori算法和Eclat算法等。
- 人工神經(jīng)網(wǎng)絡(luò)算法：人工神經(jīng)網(wǎng)絡(luò)算法模擬生物神經(jīng)網(wǎng)絡(luò)，是一類模式匹配算法，通常用于解決分類和回歸問題。人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一個(gè)龐大的分支，有幾百種不同的算法（深度學(xué)習(xí)就是其中的一類算法）。常見的人工神經(jīng)網(wǎng)絡(luò)算法包括感知器神經(jīng)網(wǎng)絡(luò)、反向傳遞、Hopfield網(wǎng)絡(luò)、自組織映射及學(xué)習(xí)矢量量化等。
- 深度學(xué)習(xí)算法：深度學(xué)習(xí)算法是對人工神經(jīng)網(wǎng)絡(luò)的發(fā)展。在計(jì)算能力變得日益廉價(jià)的今天，深度學(xué)習(xí)算法試圖建立大得多也復(fù)雜得多的神經(jīng)網(wǎng)絡(luò)。很多深度學(xué)習(xí)算法是半監(jiān)督式學(xué)習(xí)算法，用來處理存在少量未標(biāo)識數(shù)據(jù)的大數(shù)據(jù)集。常見的深度學(xué)習(xí)算法包括受限波爾茲曼機(jī)（RBN）、Deep Belief Networks（DBN）、卷積網(wǎng)絡(luò)（Convolutional Network）及堆棧式自動編碼器 （Stacked Auto-encoders）等。
- 降低維度算法：與聚類算法一樣，降低維度算法試圖分析數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，不過降低維度算法通過非監(jiān)督式學(xué)習(xí)，試圖利用較少的信息來歸納或者解釋數(shù)據(jù)。這類算法可以用于高維數(shù)據(jù)的可視化，或者用來簡化數(shù)據(jù)以便監(jiān)督式學(xué)習(xí)使用。常見的降低維度算法包括主成分分析（Principle Component Analysis，PCA）、偏最小二乘回歸（Partial Least Square Regression，PLSR）、Sammon映射、多維尺度（Multi-Dimensional Scaling，MDS）及投影追蹤（Projection Pursuit）等。
- 集成算法：集成算法用一些相對較弱的學(xué)習(xí)模型獨(dú)立地就同樣的樣本進(jìn)行訓(xùn)練，然后把結(jié)果整合起來進(jìn)行整體預(yù)測。集成算法的主要難點(diǎn)在于究竟集成哪些獨(dú)立的、較弱的學(xué)習(xí)模型，以及如何把學(xué)習(xí)結(jié)果整合起來。這是一類非常強(qiáng)大的算法，同時(shí)也非常流行。常見的集成算法包括Boosting、Bootstrapped Aggregation（Bagging）、AdaBoost、堆疊泛化（Stacked Generalization，Blending）、梯度推進(jìn)機(jī)（Gradient Boosting Machine，GBM）及隨機(jī)森林（Random Forest）等。
機(jī)器學(xué)習(xí)&數(shù)據(jù)挖掘應(yīng)用案例
前面了解了機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的基本概念，下面來看一下業(yè)界成熟的案例，對機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘有一個(gè)直觀的理解。
尿布和啤酒的故事
先來看一則有關(guān)數(shù)據(jù)挖掘的故事——“尿布與啤酒”。
總部位于美國阿肯色州的世界著名商業(yè)零售連鎖企業(yè)沃爾瑪擁有世界上最大的數(shù)據(jù)倉庫系統(tǒng)。為了能夠準(zhǔn)確了解顧客在其門店的購買習(xí)慣，沃爾瑪對其顧客的購物行為進(jìn)行購物籃分析，想知道顧客經(jīng)常一起購買的商品有哪些。沃爾瑪數(shù)據(jù)倉庫里集中了其各門店的詳細(xì)原始交易數(shù)據(jù)，在這些原始交易數(shù)據(jù)的基礎(chǔ)上，沃爾瑪利用NCR數(shù)據(jù)挖掘工具對這些數(shù)據(jù)進(jìn)行分析和挖掘。一個(gè)意外的發(fā)現(xiàn)是：跟尿布一起購買最多的商品竟然是啤酒！這是數(shù)據(jù)挖掘技術(shù)對歷史數(shù)據(jù)進(jìn)行分析的結(jié)果，反映了數(shù)據(jù)的內(nèi)在規(guī)律。那么，這個(gè)結(jié)果符合現(xiàn)實(shí)情況嗎？是否有利用價(jià)值？
于是，沃爾瑪派出市場調(diào)查人員和分析師對這一數(shù)據(jù)挖掘結(jié)果進(jìn)行調(diào)查分析，從而揭示出隱藏在“尿布與啤酒”背后的美國人的一種行為模式：在美國，一些年輕的父親下班后經(jīng)常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時(shí)也為自己買一些啤酒。產(chǎn)生這一現(xiàn)象的原因是：美國的太太們常叮囑她們的丈夫下班后為小孩買尿布，而丈夫們在買完尿布后又隨手帶回了他們喜歡的啤酒。
既然尿布與啤酒一起被購買的機(jī)會很多，于是沃爾瑪就在其各家門店將尿布與啤酒擺放在一起，結(jié)果是尿布與啤酒的銷售量雙雙增長。
決策樹用于電信領(lǐng)域故障快速定位
電信領(lǐng)域比較常見的應(yīng)用場景是決策樹，利用決策樹來進(jìn)行故障定位。比如，用戶投訴上網(wǎng)慢，其中就有很多種原因，有可能是網(wǎng)絡(luò)的問題，也有可能是用戶手機(jī)的問題，還有可能是用戶自身感受的問題。怎樣快速分析和定位出問題，給用戶一個(gè)滿意的答復(fù)？這就需要用到?jīng)Q策樹。
圖3就是一個(gè)典型的用戶投訴上網(wǎng)慢的決策樹的樣例。
圖3
圖像識別領(lǐng)域
- 小米面孔相冊
這項(xiàng)功能的名字叫“面孔相冊”，可以利用圖像分析技術(shù)，自動地對云相冊照片內(nèi)容按照面孔進(jìn)行分類整理。開啟“面孔相冊”功能后，可以自動識別、整理和分類云相冊中的不同面孔。
“面孔相冊”還支持手動調(diào)整分組、移出錯(cuò)誤面孔、通過系統(tǒng)推薦確認(rèn)面孔等功能，從而彌補(bǔ)機(jī)器識別的不足。
這項(xiàng)功能的背后其實(shí)使用的是深度學(xué)習(xí)技術(shù)，自動識別圖片中的人臉，然后進(jìn)行自動識別和分類。
- 支付寶掃臉支付
馬云在2015 CeBIT展會開幕式上首次展示了螞蟻金服的最新支付技術(shù)“Smile to Pay”（掃臉支付），驚艷全場。支付寶宣稱，F(xiàn)ace++ Financial人臉識別技術(shù)在LFW國際公開測試集中達(dá)到99.5%的準(zhǔn)確率，同時(shí)還能運(yùn)用“交互式指令+連續(xù)性判定+3D判定”技術(shù)。人臉識別技術(shù)基于神經(jīng)網(wǎng)絡(luò)，讓計(jì)算機(jī)學(xué)習(xí)人的大腦，并通過“深度學(xué)習(xí)算法”大量訓(xùn)練，讓它變得極為“聰明”，能夠“認(rèn)人”。實(shí)現(xiàn)人臉識別不需要用戶自行提交照片，有資質(zhì)的機(jī)構(gòu)在需要進(jìn)行人臉識別時(shí)，可以向全國公民身份證號碼查詢服務(wù)中心提出申請，將采集到的照片與該部門的權(quán)威照片庫進(jìn)行比對。
也就是說，用戶在進(jìn)行人臉識別時(shí)，只需打開手機(jī)或電腦的攝像頭，對著自己的正臉進(jìn)行拍攝即可。在智能手機(jī)全面普及的今天，這個(gè)參與門檻低到可以忽略不計(jì)。
用戶容易擔(dān)心的隱私問題在人臉識別領(lǐng)域也能有效避免，因?yàn)檎掌瑏碓礄?quán)威，同時(shí)，一種特有的“脫敏”技術(shù)可以將照片模糊處理成肉眼無法識別而只有計(jì)算機(jī)才能識別的圖像。
- 圖片內(nèi)容識別
前面兩個(gè)案例介紹的都是圖片識別，比圖片識別更難的是圖片語義的理解和提取，百度和Google都在進(jìn)行這方面的研究。
百度的百度識圖能夠有效地處理特定物體的檢測識別（如人臉、文字或商品）、通用圖像的分類標(biāo)注，如圖4所示。
圖4
來自Google研究院的科學(xué)家發(fā)表了一篇博文，展示了Google在圖形識別領(lǐng)域的最新研究進(jìn)展�；蛟S未來Google的圖形識別引擎不僅能夠識別出圖片中的對象，還能夠?qū)φ麄�(gè)場景進(jìn)行簡短而準(zhǔn)確的描述，如圖5所示。這種突破性的概念來自機(jī)器語言翻譯方面的研究成果：通過一種遞歸神經(jīng)網(wǎng)絡(luò)（RNN）將一種語言的語句轉(zhuǎn)換成向量表達(dá)，并采用第二種RNN將向量表達(dá)轉(zhuǎn)換成目標(biāo)語言的語句。
圖5
而Google將以上過程中的第一種RNN用深度卷積神經(jīng)網(wǎng)絡(luò)CNN替代，這種網(wǎng)絡(luò)可以用來識別圖像中的物體。通過這種方法可以實(shí)現(xiàn)將圖像中的對象轉(zhuǎn)換成語句，對圖像場景進(jìn)行描述。概念雖然簡單，但實(shí)現(xiàn)起來十分復(fù)雜，科學(xué)家表示目前實(shí)驗(yàn)產(chǎn)生的語句合理性不錯(cuò)，但距離完美仍有差距，這項(xiàng)研究目前僅處于早期階段。圖6展示了通過此方法識別圖像對象并產(chǎn)生描述的過程。
圖6
自然語言識別
自然語言識別一直是一個(gè)非常熱門的領(lǐng)域，最有名的是蘋果的Siri，支持資源輸入，調(diào)用手機(jī)自帶的天氣預(yù)報(bào)、日常安排、搜索資料等應(yīng)用，還能夠不斷學(xué)習(xí)新的聲音和語調(diào)，提供對話式的應(yīng)答。微軟的Skype Translator可以實(shí)現(xiàn)中英文之間的實(shí)時(shí)語音翻譯功能，將使得英文和中文普通話之間的實(shí)時(shí)語音對話成為現(xiàn)實(shí)。
Skype Translator的運(yùn)作機(jī)制如圖7所示。
圖7
在準(zhǔn)備好的數(shù)據(jù)被錄入機(jī)器學(xué)習(xí)系統(tǒng)后，機(jī)器學(xué)習(xí)軟件會在這些對話和環(huán)境涉及的單詞中搭建一個(gè)統(tǒng)計(jì)模型。當(dāng)用戶說話時(shí)，軟件會在該統(tǒng)計(jì)模型中尋找相似的內(nèi)容，然后應(yīng)用到預(yù)先“學(xué)到”的轉(zhuǎn)換程序中，將音頻轉(zhuǎn)換為文本，再將文本轉(zhuǎn)換成另一種語言。
雖然語音識別一直是近幾十年來的重要研究課題，但是該技術(shù)的發(fā)展普遍受到錯(cuò)誤率高、麥克風(fēng)敏感度差異、噪聲環(huán)境等因素的阻礙。將深層神經(jīng)網(wǎng)絡(luò)（DNNs）技術(shù)引入語音識別，極大地降低了錯(cuò)誤率、提高了可靠性，最終使這項(xiàng)語音翻譯技術(shù)得以廣泛應(yīng)用。
深度學(xué)習(xí)
Artificial Intelligence（人工智能）是人類美好的愿望之一。雖然計(jì)算機(jī)技術(shù)已經(jīng)取得了長足的進(jìn)步，但截至目前，還沒有一臺計(jì)算機(jī)能夠產(chǎn)生“自我”的意識。的確，在人類和大量現(xiàn)有數(shù)據(jù)的幫助下，計(jì)算機(jī)可以表現(xiàn)得十分強(qiáng)大，但是離開了這兩者，它甚至都不能分辨兩只小動物。
深度學(xué)習(xí)算法自動提取分類所需的低層次或者高層次特征。高層次特征是指該特征可以分級（層次）地依賴其他特征。例如，對于機(jī)器視覺，深度學(xué)習(xí)算法從原始圖像去學(xué)習(xí)得到它的一個(gè)低層次表達(dá)，如邊緣檢測器、小波濾波器等，然后在這些低層次表達(dá)的基礎(chǔ)上再建立表達(dá)，如這些低層次表達(dá)的線性或者非線性組合，然后重復(fù)這個(gè)過程，最后得到一個(gè)高層次的表達(dá)。
深度學(xué)習(xí)能夠得到更好地表示數(shù)據(jù)的特征，同時(shí)由于模型的層次、參數(shù)很多，容量足夠，因此，模型有能力表示大規(guī)模數(shù)據(jù)。所以對于圖像、語音這種特征不明顯（需要手工設(shè)計(jì)且很多沒有直觀的物理含義）的問題，能夠在大規(guī)模訓(xùn)練數(shù)據(jù)上取得更好的效果。此外，從模式識別特征和分類器的角度來看，深度學(xué)習(xí)框架將特征和分類器結(jié)合到一個(gè)框架中，用數(shù)據(jù)去學(xué)習(xí)特征，在使用中減少了手工設(shè)計(jì)特征的巨大工作量，因此，不僅效果更好，而且使用起來也有很多方便之處。
當(dāng)然，深度學(xué)習(xí)本身并不是完美的，也不是解決任何機(jī)器學(xué)習(xí)問題的利器，不應(yīng)該被放大到一個(gè)無所不能的程度。
小結(jié)
本文主要介紹了機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘以及當(dāng)前最熱門的深度學(xué)習(xí)。深度學(xué)習(xí)可以說掀起了人工智能的又一次熱潮，但是大家要清楚地認(rèn)識到，這離真正的AI（人工智能）還差得很遠(yuǎn)。但總的來說，我們離電影中描述的未來世界更近了一步，不是嗎？
核心關(guān)注：拓步ERP系統(tǒng)平臺是覆蓋了眾多的業(yè)務(wù)領(lǐng)域、行業(yè)應(yīng)用，蘊(yùn)涵了豐富的ERP管理思想，集成了ERP軟件業(yè)務(wù)管理理念，功能涉及供應(yīng)鏈、成本、制造、CRM、HR等眾多業(yè)務(wù)領(lǐng)域的管理，全面涵蓋了企業(yè)關(guān)注ERP管理系統(tǒng)的核心領(lǐng)域，是眾多中小企業(yè)信息化建設(shè)首選的ERP管理軟件信賴品牌。
轉(zhuǎn)載請注明出處：拓步ERP資訊網(wǎng)http://www.guhuozai8.cn/
本文標(biāo)題：大數(shù)據(jù)架構(gòu)詳解：從數(shù)據(jù)獲取到深度學(xué)習(xí)
本文網(wǎng)址：http://www.guhuozai8.cn/html/consultation/10839721046.html
相關(guān)文章
