面向小學生的機器學習

---

介紹

機器學習的核心方法已經存在很長時間了，但直到最近，計算機才發展出在現實世界中應用這些方法所需的處理能力。

如今的人工智慧 (AI) 演算法能夠學習識別影像和影片中的物體，跨語言交流，甚至掌握棋類和街機遊戲。在某些情況下，例如 DeepMind 的 AlphaGo 軟體，人工智慧甚至在特定任務上的表現優於頂尖人類！

什麼是機器學習？

機器學習應用於人工智慧，我們試圖讓計算機訪問資料，並允許它們利用這些資料進行自主學習。本質上，它涉及指導計算機執行一項任務，而無需對其進行專門配置。機器學習也稱為 ML，人工智慧也稱為 AI。

機器學習解釋

假設您的孩子以前看過機器人格鬥比賽。您知道，機器人被程式設計為使用一種方法（一系列遵循的指令以完成任務；這是計算機的認知過程）進行攻擊和“戰鬥”。

在這種情況下，如果應用機器學習，機器人將根據可用的資訊自行做出選擇。換句話說，機器人不會被程式碼指示總是執行選擇 A，而是可以選擇執行選項 A 或選項 B。

因此，機器學習教會演算法如何自行做出決策，而不是用明確的指令程式設計軟體。

機器學習的工作原理

如前所述，ML 指的是訓練演算法。然後，為了訓練演算法，使用者需要擁有一個人工神經網路，也稱為 ANN，它是由我們的大腦（生物神經網路）啟發並以此為模型的一組演算法，它由相互連線的不同神經元組成。

神經元是機器學習中一個基本但相互關聯的功能單元，它處理外部輸入。資料進入神經元的輸入，由神經元使用權重、偏差和啟用函式進行處理，然後處理後的資料作為神經元的輸出傳送出去。

一旦您擁有能夠接收輸入資料並生成值的神經元，您就必須透過更改其權重和偏差來訓練神經元，直到輸出完美。

機器學習將這些神經元用於許多不同的任務，包括預測事件的結果、股票價格，甚至足球運動員在比賽中的動作。為了預測結果，神經元從任何以前的事件中獲取輸入資訊。

機器學習的能力

監督學習是主要的 ML 解決方案型別。這些是在訓練資料可用的情況下，允許程式碼在開發過程中獲得對其效能的反饋的解決方案。

遊戲和物體識別是監督學習任務的示例，因為機器在學習過程中會收到反饋。它是否正確識別了影像中的物體？它贏得了遊戲，還是在玩了 10 秒鐘後輸了？它可以根據反饋修改其決策過程，以便下次做得更好。

分類和強化學習是監督學習問題的兩個最常見的子類別。

在分類問題中，軟體（例如過濾垃圾郵件的軟體或影像識別程式）會獲得一組輸入，並且必須學習準確地對這些輸入進行分類。

在強化學習中，軟體（也稱為“代理”）會動態地與環境互動並決定下一步做什麼。代理必須根據當前環境、正負獎勵和採取的行動，找出完成目標的最佳方法。

強化學習代理已經開始學習翫各種型別的影片遊戲，包括更困難的策略遊戲，如星際爭霸 2。它們還可以學習翫遊戲，例如掌握圍棋和國際象棋等棋類遊戲，吃豆人，與 Dota 2 中的專家競爭，以及玩吃豆人。

機器學習的例子

當問題在一系列上下文和環境中出現時，機器學習被用來尋找答案。

智慧汽車

基於從許多內部和外部感測器收集的資料，ML 可以根據從許多內部和外部感測器收集的資料來評估駕駛環境和駕駛員狀態。

例如，智慧汽車能夠使用 ML 來觀察、識別然後識別物體。由於環境中有很多不同的物體，因此將每個物體的具體資訊明確地編碼到汽車的架構中會非常困難。但是，如果您使用機器學習來訓練汽車識別物體，它就可以自行決定。

音樂和影片推薦

使用音樂應用程式的孩子們可能想知道該程式如何推薦他們可能喜歡的其他歌曲。同樣，YouTube 如何選擇孩子們接下來想觀看的影片？機器學習使這一切成為可能。使用來自以前觀看過的影片的資料來訓練演算法，構建並改進確定聽眾或觀看者喜好的演算法。

網路搜尋

在搜尋引擎中搜索任何內容都需要大量的工作和機器學習。Google 如何確定成千上萬的結果中哪些與搜尋查詢相關？網際網路上的所有內容都使用高度發展的人工智慧和 ML 進行分類，這決定了哪些照片是“狗”和“貓”，哪些文章是關於“尼斯湖水怪”或“大腳怪”。

結論

監督學習是主要的機器學習問題型別之一。在強化學習中，軟體會動態地與環境互動並決定下一步做什麼。代理還可以學習翫吃豆人，掌握圍棋和國際象棋等棋類遊戲，以及與 Dota 2 中的專家競爭。機器學習可以根據從許多內部和外部感測器收集的資料來評估駕駛環境和駕駛員狀態。