2.1.2　機(jī)器學(xué)習(xí)

卡內(nèi)基梅隆大學(xué)的Tom Michael Mitchell教授在1997年出版的書籍《機(jī)器學(xué)習(xí)》（Machine Learning）中對機(jī)器學(xué)習(xí)做了非常專業(yè)的定義，這個(gè)定義在學(xué)術(shù)界被多次引用：“如果一個(gè)程序可以在任務(wù)T上，隨著經(jīng)驗(yàn)E的增加，效果P也可以隨之增加，則稱這個(gè)程序可以從經(jīng)驗(yàn)中學(xué)習(xí)。”以下棋為例：設(shè)計(jì)出的程序可以隨著對弈盤數(shù)的增加，不斷修正自己的下棋策略，使得獲勝率不斷提高，就認(rèn)為這個(gè)程序可以在經(jīng)驗(yàn)中學(xué)習(xí)。

總的來說，機(jī)器學(xué)習(xí)是一種“訓(xùn)練”算法的方式，目的是使機(jī)器能夠向算法傳送大量的數(shù)據(jù)，并允許算法進(jìn)行自我調(diào)整和改進(jìn)，而不是利用具有特定指令的編碼軟件例程來完成指定的任務(wù)。它要在大數(shù)據(jù)中尋找一些“模式”，然后在沒有過多的人為參與的情況下，用這些模式來預(yù)測結(jié)果，而這些模式在普通的統(tǒng)計(jì)分析中是看不到的。機(jī)器學(xué)習(xí)的傳統(tǒng)算法包括決策樹學(xué)習(xí)、推導(dǎo)邏輯規(guī)劃、聚類、分類、回歸、貝葉斯網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)等。

傳統(tǒng)機(jī)器學(xué)習(xí)最關(guān)鍵的問題是必須依賴給定數(shù)據(jù)的表示，而實(shí)際上，在大部分任務(wù)中我們很難知道應(yīng)該提取哪些特征。例如我們想要在一堆動(dòng)物的圖片中辨認(rèn)出貓，試圖通過判斷胡須、耳朵、尾巴等元素的存在與否來辨認(rèn)，但如果照片中存在很多遮擋物，或是貓的姿勢改變了等，都會(huì)影響機(jī)器識(shí)別。找不到一個(gè)合理的方法提取數(shù)據(jù)，這就使問題變得棘手。

深度學(xué)習(xí)采用深層網(wǎng)絡(luò)結(jié)構(gòu)，具備了強(qiáng)大的特征學(xué)習(xí)能力，從而解決了機(jī)器學(xué)習(xí)的核心問題。