原文：The non-techie’s guide to machine learning

作者：Kannan Chandrasegaran? 翻譯：不二

來源：CSDN技術頭條

譯者注：很多人都在談人工智能，談機器學習，但他們有自己的理解，作者從一個非常有趣的場景開始延伸，步步深入，對機器學習有獨特的解釋和指導。

這里是另一家創業公司的聚會，你靠在吧臺上，一邊喝著小酒。這樣的夜晚你只考慮自己，盡情享受社交活動。

偶然間，一個聲音從你耳邊傳來。

"他們絕對是機器學習的創業公司。"

談話聲消失了。

"他們仍然在使用統計NLP嗎？復發性神經網絡似乎是一種趨勢。"

談話聲再次消失。

機器學習像病毒一樣迅速傳播，你驚訝的發現這幾分鐘內，吧臺上的每個人都在討論機器學習。

過去你曾聽說過這個術語，誰沒有聽說過呢？機器學習是一種潮流，毫無疑問，它是人工智能的未來。

問題是，你沒有一點關于它的想法。

你放下酒杯轉身離開，今晚將是不眠之夜。

世界末日

最開始聽說的機器學習機器人，是代替藍領完成工作。

然后，我們發現機器人開始搶白領的飯碗。

在我們失業的將來，會發現這些機器人在我們背后聊天。

可能在閑聊那些懶惰的失業的人類。

機器學習在如此多的場景被談及，但卻很難被準確定義，翻越查找得到的是抽象的原理解釋，高頻拼字游戲的詞語，以及由數學和代碼組成的一堵墻。

你只想知道什么是機器學習，為什么它是一個偉大的想法，順便了解一點它是如何工作的。坦白的說，你只想搞清楚身邊那些流行詞匯的意思，這些詞匯就像中學課堂上該死的單詞，每個人都在使用它們，但你有一種感覺沒有人知道它真正的意思。

開始潛入

所以機器學習，像AI？

這是一個很好的開始，我們都知道人工智能的含義。我們雖然在思考不同的事情，但可以肯定的是思考的都是有價值的想法。

人工智能(AI)是研究構建做出“智能”決策的系統。

基本上如果電腦能做出一些似乎有點聰明的事兒，我們就會給它貼人工智能的標簽。

舉一個常見的例子，電腦游戲通常會出現智能的Boss角色，他們跟隨我們，并且他們的行為方式讓游戲變成一種挑戰。這就是AI的例子。

通過給予AI一些列的規則，游戲的發展可以實現，跟誰玩家，如果玩家正在射擊，尋找掩護，如果玩家停止射擊，嘗試擊斃玩家。規則越多，游戲將會越智能。

問題是電腦游戲的規則是有限的，玩家僅限于一些特定的操縱，而操作水平完全由開發者設計。所以那些似乎真的很智能的出色的AI特征，就是由開發者設計的規則組成。

并不是所有的問題都可以用規則解決

比如說用一臺電腦來檢測這是不是狗的照片。

如何為這個任務定義規則呢？

嘗試設想一下需要哪些類別的規則。

狗有四條腿？

狗是白色的？

狗有皮毛？

這是眾所周知的座椅。

電腦視覺問題，比如識別一個對象，是相當復雜的。但我們的大腦卻能直觀的分辨出。所以設計出明確的規則非常困難。

進入機器學習

我們不能建立識別狗狗的系統，卻能建立學習識別狗狗的系統。

這里有上千張圖片，其中一些是狗的圖片，一些不是。系統能學習可以定義為狗的照片的規則。

機器學習是研究構建做出“智能”決策的系統。

關鍵字"學習"去區分機器學習與其他人智能不同的地方。

"既然機器可以學習規則，那么顯然，規則是已存在的，不必費勁便能找到它們。"

完全正確，如果竭盡全力我們可以開發基于規則的狗狗檢測大作，它是包含所有可能情景的上千條規則，這是一件漂亮的事情。

那么，倘若現在需要一個能識別包含食物圖片的系統呢？好吧，我們將拋棄之前所有的從頭開始，以前的規則都不適用。

"出色的識別技術，熱狗也是狗。"

一個可以學習識別對象的系統，通過使用食物圖片而不是狗狗圖片，可以被訓練為識別食物。

這就是機器學習的魅力。與其去明確一系列規則，不如讓機器靈活的去學習和適應。

保持真實

現在更像是我們建立了一個活生生的、能不斷學習的，并能讓它通過與小狗一起玩耍從而教它識別狗的機器。然后再教它可愛和愛，并希望說服它不要起義把我們滅了，是吧？

現實情況并沒那么復雜，我們希望機器可以智能決策，通常建立在預測的基礎上，所以從這樣的問題開始：人類是怎樣預測的？

這里有一個很好的例子來說明我們怎樣預測，可能在中學的科學課堂上就做過。

比如做實驗，你需要收集數據，然后繪制成圖。

實驗>數據>圖形

x軸表示改變的值，y軸便是測量的結果，然后繪制趨勢線（或者最佳線）。

這條線便是最好的數據模型。

因為有這條線，所以可以做出預測。你可以選擇沒有測量過的重量，在x軸上觀察，然后從y軸上預測彈簧的長度。

使用數據建立模型，然后通過模型進行預測。

如果編程可以完成這些步驟，那么恭喜：這就是機器學習。

發現線性模型并借此進行預測，這完全是機器學習技術，我們稱之為線性回歸。

將模型編程寫入系統，系統便能對這個彈簧進行預測。但如果不編寫新的程序，它便無法對其他彈簧進行預測。

如果我們讓程序完成線性回歸本身，同時學習模型，這才是機器學習。

我們不提供模型，而是讓機器去學習模型。

巫師戲法

舉個例子來形容那邊是：

機器學習并不神秘。

我們并不是建立擁有自我意識可以學習任何東西的機器，彈簧模型程序不會學習識別狗狗。

即便是你，彈簧狗。

我們建立的系統是可以學習特定類型的模型，那個我們所忽略的模型。

幾乎每個機器學習系統都會以下這些事兒：

系統給出基于模型的輸出結果，對輸出進行評估，以確定它有多糟糕，然后更新模型，使未來的輸出變得更好。

建立可以完成對特定問題不斷循環（評估->更新->輸出->評估）的系統，機器學習便是這么一門藝術。

輸出的復雜性取決于問題本身，它可能只是來自于聊天機器人的文本響應，或者是無人駕駛中是否踩剎車的一個決定。

真實的模型可能是像彈簧問題的線性模型，可能是更復雜的基于統計和概率的模型。或者是設計模擬人類大腦工作的神經網絡。

不管細節是什么，幾乎每個機器學習系統都是這樣循環的運行。每次循環，系統都提升一點點。經過上千次甚至百萬次循環，便可以得到已學會比人類更好完成任務的系統。

豐富多彩的應用程序，以及解決程序問題所需的技術，都是機器學習與許多其他領域交叉的重要原因，也是現在為什么機器學習是如此激動人心的話題。

總結

建立機器學習系統是復雜的，但要搞懂機器學習并不難。

所以去征服那個創業公司的聚會吧，拋出那些新發現的流行詞匯。你只需要再沉浸幾年，到時候相信也會有機器人來幫你做這些事。