浅谈人工智能的技术基础—机器学习

浅谈人工智能的技术基础—机器学习

摘要：机器学习是现代人工智能的关键技术基础，其涵盖的内容也非常广阔。本文通过参阅多篇文章和书籍，阐述了机器学习的定义、分类、应用和发展趋势，并大体概述了“机器学习”对新一代人工智能开发的重要性。

关键字：机器学习，人工智能，机器学习应用，大数据时代

ON THE TECHINAL BASIS OF ARTIFICIAlL INTELLIGENCE-MACHINE LEARNING

ABSTRACT： Machine learning is the key technology foundation of modern artificial intelligence, which covers a wide range of content. By referring to several articles and books, this paper expounds the definition, classification, application and development trend of machine learning, and gives a general overview of "machine learning" to the development of a new generation of artificial intelligence Importance.

Key words：Machine Learning, Artificial Intelligence, Machine Learning Applications, Big Data Era

1.前言

机器学习作为一门多领域交叉的专业，其内容主要包含基本统计理论知识、近似基础知识、机率论理论知识以及复杂的计算理论知识。作为人工智能的研究核心，机器学习是让计算机产生智慧的根本途径，它专门研究计算机如何模仿或实现人们的日常学习活动，并从中获得最新的知识或技术，从而重新建立现有的知识体系使其提升自己的性能。

2.机器学习定义

机器学习有下面几种常见的定义：(1)机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。(2)机器学习是对能

通过经验自动改进的计算机算法的研究。(3)机器学习是用数据或以往的经验，以此优化计

算机程序的性能标准。[1]

3.机器学习的类型

根据研究侧重点的不同，机器学习有很多分类方法，最常见分为监督学习、

无监督学习和强化学习。

3.1 监督学习(Supervised Learning)

在这类学习方法中，使用者需要提供数据样本集，由标记的机器训练数据，

使用某个已知类型的训练样本调节分类器的功能，来实现所需特性的学习过程。

3.2 无监督学习(Unsupervised Learning)

在这一类学习方法中，使用者无需提供数据样本集，由机器根据数据的特征

将信息划分和归集，来实现机器独自分类的学习过程。

3.3强化学习（Reinforcement Learning）

这一类学习方法没有已标记的样本集，同时参与元素的数量也不同，通常包

含了智能体、环境和学习最优决策或步骤集。是通过用奖赏或惩罚将面向目标的

方法效果做到最优化的一种方法，也是机器学习的一种范畴，因此强化学习也被

认为是与监督学习和无监督学习并行的三个机器学习范例之中。

4.机器学习的发展

机器学习其实已经出现了数十年或者也可能认为出现了数个时代，是伴随着

人工智能的发展而发展的。早期可追随到上世纪三四十年代推理期再到之后的神

经网络的研究以及现代的深度学习，历经了从浅层学习的到深层学习的过程，从

而在侧面反映了人工智能的发展及对计算机智能技术、人类生活的应用和重要性。

它在20世纪70年代初曾遭遇过瓶颈阶段，但之后的大数据时代开始，机器

学习技术又在大数据分析的帮助下迅速崛起。于是，人们便可粗略地把它的理念

和运营模型在大数据分析时期前后分成了浅层学习和深层学习。到了九十年代，

浅层学习也步入了黄金时代，不同的浅层学习模式也被陆续提出，而这些模式大

多数在实践运用中都获得了很大的成果。2006年由Geoffrey Hinton和他的学生

在浅层学习的基础上提出了深层学习的理念，即现在所谓的深度学习，并在当时

的科学界和工业界都引发了深度学习的风潮。

从十七世纪，通过贝叶斯理论、拉普拉斯关于最小二乘的推论，直至马尔可

夫链，这些都形成了现代机器学习所普遍采用的主要工具和主要基础。从1950

年艾伦.图灵提出创建一种学习机器到2000年初有深度学习的实践及其最近的发展，机器学习技术有了长足的发展。

5.数据挖掘、人工智能和机器学习关系

目前人工智能研究非常热门，不过不少人易把人工智能和机器学习误解。另外，数据分析挖掘、人工智能与机器学习之间的关联，也易被人误解。

从实质上来看，大数据科学的主要目标是利用处理各种数据提高人类的科学

决策，而机器学习的主要任务则是让机器模仿人们的自主学习，并从中获得经验。人工智能则是通过机器学习和逻辑推理，最后产生理论、方法、技术及应用系统

的一门新的技术科学。

机器学习是人工智能的一门重要分支，它是新一代人工智能的主要技术基础

与实施技术手段，利用机器学习的方式处理新一代人工智能所面临的问题。机器

学习是利用一种使计算机能够自行"学会"的算法，在数据处理中通过分析获得规

律性，进而运用规律性对新样本做出预测。而数据挖掘通过进行学习、统计与数

据库等方式，从比较大规模的数据集中找到模式与知识，它通常包括了数据预处理、建模和逻辑推理、可视化等。

6.机器学习的实际应用

机器学习有很多实际应用，下面从数据挖掘与分析、模式识别、在生物信息

学上的应用、虚拟助手和无人驾驶这五个方面简述一下其实际应用。

6.1数据挖掘与分析