機器學(xué)習(xí)的可視化表示有哪些

什么是機器學(xué)習(xí)？

“機器學(xué)習(xí)是讓計算機像人類一樣學(xué)習(xí)和行動的科學(xué)，通過以觀察和現(xiàn)實世界互動的形式向他們提供數(shù)據(jù)和信息，以自主的方式改善他們的學(xué)習(xí)。”

上述定義包含了機器學(xué)習(xí)的理想目標(biāo)或最終目標(biāo)，正如該領(lǐng)域的許多研究人員所表達(dá)的那樣。 本文的目的是為具有商業(yè)頭腦的讀者提供有關(guān)如何定義機器學(xué)習(xí)及其工作原理的專家觀點。 機器學(xué)習(xí)和人工智能在許多人的腦海中具有相同的定義，但讀者也應(yīng)該認(rèn)識到一些明顯的差異。 本文末尾包含參考文獻(xiàn)和相關(guān)研究人員的訪談，以便進(jìn)一步挖掘。

我們?nèi)绾蔚竭_(dá)我們的定義：

與任何概念一樣，機器學(xué)習(xí)的定義可能略有不同，具體取決于您的要求。 我們梳理互聯(lián)網(wǎng)，從信譽良好的資源中找到五個實用的定義：

1.  “最基本的機器學(xué)習(xí)是使用算法解析數(shù)據(jù)，從中學(xué)習(xí)，然后對世界上某事做出決定或預(yù)測的做法?！?- Nvidia

2.  “機器學(xué)習(xí)是讓計算機在沒有明確編程的情況下采取行動的科學(xué)?！?- 斯坦福

3.  “機器學(xué)習(xí)基于可以從數(shù)據(jù)中學(xué)習(xí)而不依賴于基于規(guī)則的編程的算法?！?- 麥肯錫公司

4.  “機器學(xué)習(xí)算法可以通過推廣實例來弄清楚如何執(zhí)行重要任務(wù)?！?- 華盛頓大學(xué)

5.  “機器學(xué)習(xí)領(lǐng)域旨在回答這樣一個問題：”我們?nèi)绾谓⒛軌蚋鶕?jù)經(jīng)驗自動改進(jìn)的計算機系統(tǒng)，以及管理所有學(xué)習(xí)過程的基本法則是什么？“ - 卡內(nèi)基梅隆大學(xué)

機器學(xué)習(xí)的基本概念

有許多不同類型的機器學(xué)習(xí)算法，每天發(fā)布數(shù)百種，并且它們通常按學(xué)習(xí)風(fēng)格 （即監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，半監(jiān)督學(xué)習(xí)）或通過形式或功能的相似性 （即分類，回歸，決策樹，聚類，深度學(xué)習(xí)等）。 無論學(xué)習(xí)風(fēng)格或功能如何， 機器學(xué)習(xí)算法的所有組合都包含以下內(nèi)容：

• 表示 （一組分類器或計算機理解的語言）

• 評估 （又名客觀/評分功能）

• 優(yōu)化 （搜索方法;通常是評分最高的分類器;使用現(xiàn)成的和自定義的優(yōu)化方法）

機器學(xué)習(xí)模型的可視化表示

到目前為止，概念和要點只能用于理解。 當(dāng)人們問“什么是機器學(xué)習(xí)？”時，他們經(jīng)常想看看它是什么以及它做了什么。 以下是機器學(xué)習(xí)模型的一些可視化表示，以及附帶的鏈接以獲取更多信息。可以在本文的底部找到更多資源。 

決策樹模型

高斯混合模型

Dropout神經(jīng)網(wǎng)絡(luò)

使用卷積神經(jīng)網(wǎng)絡(luò)合并色度和亮度

我們?nèi)绾巫寵C器學(xué)習(xí)

有許多不同的方法讓機器學(xué)習(xí)，從使用基本決策樹到聚類到人工神經(jīng)網(wǎng)絡(luò)層（后者已經(jīng)讓位于深度學(xué)習(xí)），取決于你要完成的任務(wù)和類型以及您可用的數(shù)據(jù)量。 這種動態(tài)在各種應(yīng)用中發(fā)揮作用，如醫(yī)療診斷或自動駕駛汽車 。

雖然重點通常放在選擇最佳學(xué)習(xí)算法上，但研究人員發(fā)現(xiàn)，一些最有趣的問題都源于可用的機器學(xué)習(xí)算法。 大多數(shù)情況下，這是訓(xùn)練數(shù)據(jù)的問題，但在新域中使用機器學(xué)習(xí)時也會出現(xiàn)這種情況。

在處理實際應(yīng)用程序時所做的研究通常會推動該領(lǐng)域的進(jìn)展，原因有兩個：1。發(fā)現(xiàn)現(xiàn)有方法的界限和局限性的趨勢2.研究人員和開發(fā)人員與領(lǐng)域?qū)＜液献?，利用時間和專業(yè)知識來提高系統(tǒng)性能。

有時這也是由“意外”發(fā)生的。我們可能會考慮模型集合或許多學(xué)習(xí)算法的組合來提高準(zhǔn)確性，這是一個例子。 2009 Netflix Price的團(tuán)隊發(fā)現(xiàn)，當(dāng)他們將學(xué)習(xí)者與其他團(tuán)隊的學(xué)習(xí)者結(jié)合起來時，他們?nèi)〉昧俗詈玫某煽?，從而改進(jìn)了推薦算法

在 業(yè)務(wù)和其他領(lǐng)域的應(yīng)用方面，一個重要的觀點（基于對該領(lǐng)域?qū)＜业脑L談和對話）是機器學(xué)習(xí)不僅僅是，甚至是自動化，這是一個經(jīng)常被誤解的概念。 如果你這樣想，你一定會錯過機器可以提供的寶貴見解和由此產(chǎn)生的機會（重新思考整個商業(yè)模式，例如制造業(yè)和農(nóng)業(yè)等行業(yè)）。

學(xué)習(xí)的機器對人類有用，因為它們具有所有處理能力，能夠更快地突出顯示或找到人類可能錯過的大（或其他）數(shù)據(jù)中的模式。 機器學(xué)習(xí)是一種工具，可用于增強人類解決問題的能力，并從廣泛的問題中做出明智的推斷，從幫助診斷疾病到提出全球氣候變化的解決方案。

挑戰(zhàn)與極限

“機器學(xué)習(xí)無法從無到有......它的作用是從更少的東西中獲得更多?！?nbsp;- 華盛頓大學(xué)Pedro Domingo博士。

機器學(xué)習(xí)中兩個最大的，歷史性的（和持續(xù)的）問題涉及過度擬合（其中模型表現(xiàn)出對訓(xùn)練數(shù)據(jù)的偏見，并且不會推廣到新數(shù)據(jù)，和/或變化，即在訓(xùn)練新數(shù)據(jù)時學(xué)習(xí)隨機事物）和維度（具有更多特征的算法在更高/更多維度上工作，使得理解數(shù)據(jù)更加困難）。 在某些情況下，訪問足夠大的數(shù)據(jù)集也是主要問題。

機器學(xué)習(xí)初學(xué)者中最常見的錯誤之一是成功地測試訓(xùn)練數(shù)據(jù)并具有成功的假象; Domingo（和其他人）強調(diào)在測試模型時保持一些數(shù)據(jù)集是分開的重要性，并且僅使用該保留數(shù)據(jù)來測試所選模型，然后學(xué)習(xí)整個數(shù)據(jù)集。

當(dāng)學(xué)習(xí)算法（即學(xué)習(xí)者）不起作用時，通常更快的成功之路是為機器提供更多數(shù)據(jù)，其可用性現(xiàn)已成為近期機器和深度學(xué)習(xí)算法進(jìn)步的主要驅(qū)動因素。年份; 然而，這可能導(dǎo)致可擴(kuò)展性問題，我們有更多的數(shù)據(jù)，但有時間了解數(shù)據(jù)仍然是一個問題。

深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的現(xiàn)代發(fā)展

深度學(xué)習(xí)涉及機器算法的研究和設(shè)計，用于在多個抽象級別（安排計算機系統(tǒng)的方式） 學(xué)習(xí)數(shù)據(jù)的良好表示 。 最近通過DeepMind ， Facebook和其他機構(gòu)進(jìn)行深度學(xué)習(xí)的宣傳突顯了它作為機器學(xué)習(xí)的“下一個前沿”。

國際機器學(xué)習(xí)大會（ICML）被廣泛認(rèn)為是世界上最重要的機會之一。他們致力于解決當(dāng)前深度學(xué)習(xí)中的挑戰(zhàn) ：

1.  小數(shù)據(jù)集中的無監(jiān)督學(xué)習(xí)

2.  基于模擬的學(xué)習(xí)和對現(xiàn)實世界的可轉(zhuǎn)移性

深度學(xué)習(xí)系統(tǒng)在過去十年中在諸如對象檢測和識別，文本到語音，信息檢索等領(lǐng)域取得了巨大的進(jìn)步。 研究現(xiàn)在專注于開發(fā)數(shù)據(jù)高效的機器學(xué)習(xí)，即深度學(xué)習(xí)系統(tǒng)，可以在更少的時間和更少的數(shù)據(jù)中以更高的效率學(xué)習(xí)，在個性化醫(yī)療保健，機器人強化學(xué)習(xí)，情感分析等前沿領(lǐng)域，其他。