作者 | Anish Phadnis
翻译 | Mika
本文为 CDA 数据分析师原创作品,转载需授权
人脑是最神奇的。你知道我更感兴趣的是什么吗?是我们的学习能力。我们如何能够适应并学习全新的技能,然后应用到日常生活之中呢?
我有一个6岁的弟弟,我看着他从懵懵懂懂的小婴儿逐渐长大。他学会了如何爬行、走路、跑;如何学会说话,理解简单的语法和简单的数学。
本文中我就要谈谈如何让机器复制这种学习的能力。
假设我想教机器如何区分狗和猫。这很简单,我的弟弟很容易就能做到。但是如何将其编程在机器上呢?我们不能简单的认为,所有的猫都是尖耳朵,或所有的狗都有毛。如果我们试图用代码写下所有猫狗间的差异,从而来解决这个问题,那么这是非常繁琐的,而且成功的可能性很低。
通过机器学习,算法能够理解猫与狗之间的差异,而无需刻意进行编程。它不需要我们去指导应该如何区分猫和狗。算法只需要看许多不同的猫和狗图像,并学习当中的区别。
这与我弟弟学会辨别猫狗很类似。不需要告诉他猫狗的差异,只需要告诉他,这张图是狗,这张图是猫。随着时间的推移,小孩子就能慢慢了解猫狗的分别是什么样了。
总而言之,机器学习能够让机器学会如果执行任务,而无需明确地编程。
我们知道机器学习是什么,那么深层学习到底是什么呢?
深度学习算法被称为神经网络,它以人脑为模型,模仿人类学习的方式。
让我们以区分猫狗的例子来理解神经网络的运行原理。从本质上讲,神经网络接收输入,这里也就是猫狗的图像;然后得出输出,即标签为猫或狗的图像。在输入和输出之间,隐藏层从图像中提取特征。例如,这张图中有长鼻子,锋利的牙齿,尾巴等,然后通过这些信息预测图像为猫还是狗。
有时候这些特征很重要,比如狗的鼻子比猫长;而有时特征并不重要。为了解决这个问题,神经网络给某些特征赋予了比其他特征更多的权重,即如果一张图像中的动物鼻子较长,则更有可能是狗。最终大量的特征汇集在一起,神经网络通过足够的特征判断图像是否是狗,如果是的话则输出这张图是是狗。
但是如果出错了呢?当然,神经网络无法一开始就准确无误。神经网络判断图像为猫,然而实际上是狗,这是学习的地方。
那这时会怎样呢?它进入隐藏层,神经网络决定将相应的权重放在相应的功能上。如果出错,网络必须进行调整,从而得出正确的结果。经过反复的调整,最终神经网络将能够分辨出两者间的差异。
我实际上能够构建这样的神经网络,并得出95%的准确率。结果并不完美,但仍然是惊人的。
机器学习能解决哪些问题
在机器学习中,有3个不同的分支,它们都分别解决不同类型的问题。
监督学习
监督学习是我到目前为止在向你解释的,因为它是最容易理解的。给出输入,并得知输出是什么。我们有猫的图像,而且知道它被标记为猫。通过给合适的特征赋予合适的权重,从而得出正确的结果,即图像为猫。
这就类似你在复习细胞生物学测试。你在在测试自己是否掌握了细胞不同部分的功能。你正在学习细胞结构,即输出,并将其与输出——细胞各部分的功能相匹配。这就是你在学习从输入到输出的过程。
无监督学习
无监督学习是一个数据集,但当中没有标签或没有正确的答案。当中只有数据点,无监督学习的目的是找出数据中的模式,并帮助得出结论。
举一个简单的例子。给监督学习算法一个正方形,告诉它是正方形,然后在给出一个三角形,告诉它这是三角形,诸如此类。接着它会理解是正方形是什么样的,三角形又是什么样的。
而在无监督的学习问题中,它只会给出一堆形状,而不会被告知它这些是形状。在这种情况下,无监督学习算法将相似的形状组合在一起,可能是边的数量相同的形状,具有相同区域的形状,具有相似颜色的形状等等。接着它会找到基础模式能够将形状分类。
这就是无监督学习算法如何尝试在数据点中找到模式的例子。算法确定这是数据点之间的最佳分割,因为所有黄点与其他黄点最相似,所有红点与其他红点最相似,并且所有蓝点与其他蓝点相似。
强化学习
这实际上是我在机器学习中最喜欢的主题,也是我在编程方面投入时间最多的部分。最吸引我的就是以下视频中的这种行走机器人。
强化学习是理解如何在环境中让奖励最大化奖励的智能体。在以上视频中,当智能体能够行走时就将获得奖励。为了将奖励最大化,它将尽可能长时间地行走。
智能体通过测试所有可能的腿部动作来实现行走。智能体会因此获得奖励,因此它会继续行并重复这一行动。
这很类似当我六岁的弟弟学走路时,妈妈会在他迈步时会鼓掌和欢呼。当他摔倒时他会停止让他跌倒的行动,并继续采取获得妈妈鼓掌欢呼的步骤。最终,他学会了跑。
强化学习每次都让我大吃一惊。
应用
让我们来谈谈机器学习在现实中的应用。
自然语言处理(NLP)
计算机通过0和1中说话,我们用文字说话。我们的谈话方式与计算机的谈话方式之间存在差距,我们必须训练计算机来理解我们的语言。使用NLP,计算机不仅能够转录单词,而且能够从中提取意义,甚至能以某种语调进行对话!有了Siri,Alexa和Cortana等助手,与智能手机交谈最终会像在手机上使用键盘一样普遍。
计算机视觉(CV)
NLP让计算机具有通话能力,CV让计算机能够看到。这被应用在自动驾驶汽车中,用于检测不同的物体,如其他汽车、行人以及道路上的车道。这能够让计算机从摄像机中提取信息。这还可以用于简单的人脸识别和检测算法,正如Facebook上使用的那样。
想象一下,Mark每天都在他家附近的公园里散步,但突然有一天他摔倒了,心脏病发作了。心脏病像许多其他疾病一样是非常突然的,几乎没有任何预兆。我们身体中的某些模式预示着即将发生的某些健康方面的问题。通过使用Fitbits等设备能够来跟踪我们身体的健康数据,从而能够分析这些数据并提前开始进行预测。通过分析健康数据,在Mark心脏病发作前一周,医生们就能够知道,并及时提供他需要的帮助。
关键要点
机器学习能够机器学习如何执行任务,而且无需明确地编程。
深度学习是机器学习的一个子集,它使用称为神经网络的特定算法,该算法是以人脑为模型的。
监督学习具有输入和输出,其目的是弄清楚如何从输入到输出。无监督学习具有数据点,其目的只是在数据中找到模式。
强化学习是机器人在物理和虚拟世界中学习如何走路、跳跃和执行其他人类行为的方式。
机器学习和深度学习的潜力是无限的,它将以前所未有的方式彻底改变世界。
数据分析咨询请扫描二维码
数据分析师的工作内容涉及多个方面,主要包括数据的收集、整理、分析和可视化,以支持商业决策和问题解决。以下是数据分析师的一 ...
2024-11-21数据分析师必须掌握的技能可以从多个方面进行归纳和总结。以下是数据分析师需要具备的主要技能: 统计学基础:数据分析师需要 ...
2024-11-21数据分析入门的难易程度因人而异,总体来看,入门并不算特别困难,但需要一定的学习和实践积累。 入门难度:数据分析入门相对 ...
2024-11-21数据分析是一项通过收集、整理和解释数据来发现有用信息的过程,它在现代社会中具有广泛的应用和重要性。数据分析能够帮助人们更 ...
2024-11-21数据分析行业正在迅速发展,随着技术的不断进步和数据量的爆炸式增长,企业对数据分析人才的需求也与日俱增。本文将探讨数据分析 ...
2024-11-21数据分析的常用方法包括多种技术,每种方法都有其特定的应用场景和优势。以下是几种常见的数据分析方法: 对比分析法:通过比 ...
2024-11-21企业数字化转型是指企业利用数字技术对其业务进行改造和升级,以实现提高效率、降低成本、创新业务模式等目标的过程。这一过程不 ...
2024-11-21数据分析作为一个备受追捧的职业领域,吸引着越来越多的女性加入其中。对于女生而言,在选择成为一名数据分析师时,行业选择至关 ...
2024-11-21大数据技术专业主要学习计算机科学、数学、统计学和信息技术等领域的基础理论和技能,旨在培养具备大数据处理、分析和应用能力的 ...
2024-11-21《Python数据分析极简入门》 第2节 3 Pandas数据查看 这里我们创建一个DataFrame命名为df: importnumpyasnpi ...
2024-11-21越老越吃香的行业主要集中在需要长时间经验积累和专业知识的领域。这些行业通常知识更新换代较慢,因此随着年龄的增长,从业者能 ...
2024-11-20数据导入 使用pandas库的read_csv()函数读取CSV文件或使用read_excel()函数读取Excel文件。 支持处理不同格式数据,可指定分隔 ...
2024-11-20大数据与会计专业是一门结合了大数据分析技术和会计财务理论知识的新型复合型学科,旨在培养能够适应现代会计业务新特征的高层次 ...
2024-11-20要成为一名数据分析师,需要掌握一系列硬技能和软技能。以下是成为数据分析师所需的关键技能: 统计学基础 理解基本的统计概念 ...
2024-11-20是的,Python可以用于数据分析。Python在数据分析领域非常流行,因为它拥有丰富的库和工具,能够高效地处理从数据清洗到可视化的 ...
2024-11-20在这个数据驱动的时代,数据分析师的角色变得愈发不可或缺。他们承担着帮助企业从数据中提取有价值信息的责任,而这些信息可以大 ...
2024-11-20数据分析作为现代信息时代的支柱之一,已经成为各行业不可或缺的工具。无论是在商业、科研还是日常决策中,数据分析都扮演着至关 ...
2024-11-20数字化转型已成为当今商业世界的热点话题。它不仅代表着技术的提升,还涉及企业业务流程、组织结构和文化的深层次变革。理解数字 ...
2024-11-20在现代社会的快速变迁中,选择一个具有长期增长潜力的行业显得至关重要。了解未来发展前景好的行业不仅能帮助我们进行职业选择, ...
2024-11-20统计学专业的就业方向和前景非常广泛且充满机遇。随着大数据、人工智能等技术的快速发展,统计学的重要性进一步凸显,相关人才的 ...
2024-11-20