機器學習與連續流連載系列丨機器學習：人工智能的驅動力

前期回顧：

機器學習與連續流連載系列丨使用康寧反應器集成在線光譜，通過半監督機器學習識別化學反應式計量和動力學模型點擊進入原文查看

本期亮點

機器學習（Machine Learning, ML）作為人工智能（Artificial Intelligence, AI）的一個分支，正在逐漸改變我們與技術的互動方式。本文將探討機器學習的核心概念、工作流程、類型、優勢與局限。

在回答機器學習前，先回到人類的學習，什么叫做學習或者學會了？簡而言之就是發現規律，能根據已有情況，尋找規律，解決新問題。

“過擬合”，打個比方就像某學生做大量題，他死記硬背，只會做已經做過的相同的題，遇到相同知識基礎的新題（稍微變化一下）就不會解答，也就是“泛化能力”差。

比如某某學生在模擬考試中，考試成績好，到了正式考試時，成績不理想，很多家長認為沒有考試運。當然這個有很多原因，比如考試時緊張，身體出現不適等，但有個原因就是其“泛化能力”差，模擬考是他做過的題，沒有從中“泛化”出規律去解答新題。

機器學習類似人類學習，根據大量題型總結規律，根據規律去解決新問題。

人工智能先驅Arthur Samuel，在1950年代將“機器學習”定義為，“使計算機能夠在沒有明確編程的情況下進行學習的研究領域”。

Nvidia認為“機器學習最基本的是使用算法解析數據，從中學習，然后對世界上的事物做出決定或預測。”

傳統編程需要寫好嚴格的詳細的程序指令，根據輸入數據得到輸出結果。其難度在于程序的編寫，有時不能覆蓋某些新情況。比如做饅頭，寫好買1kg白面粉，和面加入X kg水，捏好形狀，放入蒸籠蒸X分鐘。如果遇到了玉米粉，它就不會做玉米饅頭了。

機器學習是通過算法和大量的做饅頭的書籍介紹等，總結出通用規律，這樣遇到玉米粉也能輸出相應做玉米饅頭的步驟。所以機器學習難在解析數據結構，發現規律。

優勢

局限