機器學習的常見誤解


機器學習使用人工智慧,利用實際策略使計算機能夠學習和做出決策,而無需明確程式設計。它基於這樣一個理念:計算機可以從資料中學習,識別模式,並在很少人工干預的情況下做出決策。

它是人工智慧的一個子集。它是研究使機器的行為和決策更像人類的研究,方法是使它們能夠學習和發展自己的程式。這是在最少的人工干預下完成的,即沒有明確的程式設計。不斷增長的經驗是自動化的,並根據機器同時的經驗進行改進。

機器處理高質量資料,並使用各種演算法構建 ML 模型來訓練機器處理這些資料。演算法的選擇取決於可用資料的型別和應自動化的操作型別。

誤解

ML、AI 和深度學習之間沒有區別

通常,ML 和 AI 這兩個術語在同一個句子中使用。然而,兩者都非常不同,並且彼此密不可分。人工智慧涵蓋了許多領域,包括機器人技術、計算機視覺和自然語言處理。ML 是透過利用統計和資料預測來發現資料中模式的最常見方法。

深度學習目前是業界經常涉及的一個狀態。人們相信它是資料科學和 ML 問題的最終解決方案。深度學習是 ML 中最難掌握的主題。深度學習是人工智慧的一個分支,它使用多層神經網路進行處理。

簡單來說,深度學習是 ML 的一部分,因此也是 AI 的一部分。

機器學習將接管人類的工作,並且可以在沒有人工干預的情況下自由工作

主要擔憂之一是 AIU 將取代人類。雖然 ML 將使系統自動化並承擔某些社會職能,但它將創造新的工作崗位或技能範圍。ML 將促進新技能和創造性思維的發展。

人們認為機器可以在沒有程式設計的情況下學習一個系統,而人類則為 AI 解決方案提供演算法。因此,人類在 ML 中的參與是不可否認的。

雖然 ML 和 AI 在許多應用中都很有用,但在許多領域,這些技術並不是優勢,特別需要人類的影響、干預或監督。這包括:

  • 理解因果關係

  • 長期規劃

  • 抽象或創造性思維

  • 追求需要領域知識或背景的決策

人類判斷對於對抗 ML 演算法中的固有偏差也很重要。即使隨著技術進步,我們也可能永遠看不到完美的、完全演算法化的解決方案。邏輯和透明度對於人們信任機器的結果和建議至關重要;我們需要了解機器模型“黑盒”內部發生的事情,才能完全信任和整合受機器影響的決策制定到我們的組織和生活中。

機器從經驗中學習

儘管主流觀點認為,ML 獨立於經驗,但它更依賴於資料。你不能簡單地讓一臺計算機自由地嘗試解決問題——機器需要資料來學習並建立演算法以應用於未來的情況,其中包括:

  • 最佳化模型引數以適應資料

  • 評估成功的指標

  • 對資料集的組成部分進行分類或表示的方法

這是透過從資訊索引中提取一個概括的解釋(類似於一個假設故事)來實現的,其中可能包含人類難以識別的複雜模式或隱藏的異常情況。在當今的金融機構中,ML 用於分析條件資訊,以識別和標記可能是欺詐性指控或評估風險的異常情況,併為貸款提供建議。

機器學習在現代分析中的用例

許多組織正在將 ML 引入其企業資料分析實踐中,以幫助識別隱藏的見解並做出更明智的建議來指導業務決策。這在處理越來越龐大和複雜資料集的大資料分析中尤其有用。

人工智慧還可以識別組織內的行為模式,從而向用戶提供類似於其他使用者的建議——例如在資料準備或分析中使用哪些資料來源,或者哪些分析內容最相關,以幫助他們回答特定問題。持續改進的其他領域包括高階分析和預測分析。

ML 可以幫助自動化高階統計分析並自動應用具有最高置信度的模型,例如增強分析,允許級別較低的使用者利用複雜模型。高階使用者可以探索和調整演算法,這解決了信任和透明度問題,並允許測試各種可能的情況。

ML 也被用於分析,以幫助使用者使用自然語言查詢其資料。這意味著學習如何解釋人類意圖和問題背後的語義,並將請求翻譯成結構化的查詢語言。隨著人工智慧和 ML 推動自然語言和智慧分析能力的進步,沒有傳統資料技能的人將能夠以前所未有的方式與資料互動,以獲得新的見解。

機器學習平臺易於構建,任何人都可以做到

許多人認為你可以研究 ML 並輕鬆地構建任何平臺。然而,ML 是一種複雜的策略,需要掌握廣泛的技能。要學習 AI,你應該知道如何設定用於測試和訓練的資料,如何設計資料,如何構建精確的演算法,最重要的是,你應該瞭解底層系統。要獲得 ML 技能,一個人應該積極參與 AI 示例和演算法。在學習 ML 時,瞭解底層系統至關重要。積極參與 ML;需要示例和演算法才能掌握 ML。這需要澄清關於 ML 的資訊。沒有人會花 1000 元做 200 元的工作。ML 僅在大量資料時使用。對於個人可以輕鬆完成的小型資料集,ML 是無用的。

結論

ML 是軟體工程的一個領域,它利用資料來提取演算法和學習模型,並將“學習”到的理論應用於新的情況,包括在沒有直接人類程式設計的情況下執行任務。一些廣泛接受的關於 ML 的想法與各種 ML 模型有所不同。例如,有一些 ML 模型表現更好,更大的資料集提供更高的準確性。同時,其他傳統演算法(也用於統計軟體包)即使在資料集較小的情況下也能表現良好。

更新於:2023 年 5 月 12 日

76 次檢視

啟動你的 職業生涯

完成課程,獲取認證

開始學習
廣告