共计 3665 个字符，预计需要花费 10 分钟才能阅读完成。
出品 | CDA 数据分析研究院，转载需授权
在百度中输入“什么是机器学习？”并进行搜索后，就仿佛打开了一个潘多拉的魔盒，里面有各种网站，论坛，百度知道，视频，学术性研究等，当然还会这篇文章要讲的，那就是什么是机器学习等一系列相关的认知文章，和相关视频的推荐。而这篇文章的目的也就是为了简化机器学习的定义和方便人们理解什么是机器学习。
除了了解什么是机器学习（ML），机器学习的定义之外，我们还旨在简要概述机器学习的基本原理，让机器“思考”的挑战和局限性，以及今天深入了解的一些问题学习（机器学习的“前沿”），以及开发机器学习应用程序的关键要点。
本文将分为以下几个部分：
- 什么是机器学习？
- 我们是如何得出我们的定义的（也就是：专家研究人员的观点）
- 机器学习的基本概念
- ML 模型的可视化表示
- 我们如何让机器学习
- ML 的挑战和局限概述
- 深度学习简介
无论你对机器学习是否有兴趣，我们都将把这些资源整合在一起，以帮助你解决有关机器学习的问题 – 所以你可以查看任何你感兴趣的话题，或者按照顺序阅读这篇文章都可以，那么我们就从下面的机器学习定义开始：
什么是机器学习？
“机器学习是让计算机像人类一样学习和行动的科学，通过以观察和与现实世界进行互动的形式向他们提供数据和信息，随着时间的推移，以自主的方式提高计算机的学习能力。”
上述定义包含了机器学习的理想目标或最终目标，正如该领域的许多研究人员所表达的那样。本文的目的是为具有商业头脑的读者提供有关机器学习的定义及其工作原理的专家观点。机器学习和人工智能在许多人的脑海中具有相同的定义，但读者也应该认识到他们其中的一些明显的差异。
我们是如何得出我们的定义的：
与任何概念一样，机器学习的定义可能略有不同，具体取决于你向谁问机器学习的概念。我们梳理了在互联网中对机器学习的定义，从一些著名的来源中找到五个实用的定义：
- “最基本的机器学习是使用算法解析数据，从中学习，然后对世界上的一些事情做出决定或者是预测。”– Nvidia
- “机器学习是一门不需要明确编程就能让计算机运行的科学。”– 斯坦福大学
- “机器学习基于算法，可以从数据中进行学习而不依赖于基于规则的编程。”– 麦肯锡公司
- “机器学习算法可以通过例子从中挑选出执行最重要任务的方法。”– 华盛顿大学
- “机器学习领域旨在回答这样一个问题：”我们如何建立能够根据经验自动改进的计算机系统，以及管理所有学习过程的基本法则是什么？“– 卡内基梅隆大学
我们将这些定义发送给我们采访过和 / 或包含在我们之前的研究共识中的专家，并要求他们回答他们最喜欢的定义或提供他们自己的定义。我们的介绍性定义旨在反映不同的反应。以下是他们的一些回复：
蒙特利尔大学 Yoshua Bengio 博士：
ML 不应由否定来定义（因此判定 2 和 3）。而我的定义如下：
机器学习研究是人工智能研究的一部分，旨在通过数据，观察和与世界的互动为计算机提供知识。获得的知识允许计算机能够正确地推广到新设置。
Danko Nikolic 博士，CSC 和 Max-Planck 研究所：
（选择上面的数字 2）：“机器学习是让计算机在没有明确编程的情况下采取行动的科学，而是让他们自己学习一些技巧。”
路易斯维尔大学 Roman Yampolskiy 博士：
机器学习是一门让计算机学习和人类做得更好或更好的科学。
华盛顿大学 Emily Fox 博士：
我最喜欢的定义是第五个。
机器学的习基本概念
有许多不同类型的机器学习算法，每天都会有新发布数百种的算法，并且它们通常按学习风格（即监督学习，无监督学习，半监督学习）或通过形式或功能的相似性（即分类，回归，决策树，聚类，深度学习等）。无论学习风格或功能如何，机器学习算法的所有组合都包含以下内容：
- 表示（一组分类器或计算机理解的语言）
- 评估（又名目标 / 评分功能）
- 优化（搜索方法; 通常是评分最高的分类器; 使用现成的和自定义的优化方法）
模型的可视化表示
到目前为止，概念和要点只能走这么远。当人们问“什么是机器学习？”时，他们经常想看看它是什么以及它做了什么。以下是机器学习模型的一些可视化表示。
- 决策树模型
- 高斯混合模型
- drop 神经网络
- 卷积神经网络合并色度和亮度
我们如何让机器去学习
有许多不同的方法让机器学习，从使用基本决策树到聚类再到人工神经网络层（后者已经让位于深度学习），这取决于你要完成的任务和类型以及你可用的数据量。这种动力在各种应用中发挥作用，如医疗诊断或自动驾驶汽车。
虽然重点通常放在选择最佳学习算法上，但研究人员发现，一些最有趣的问题没有可用的机器学习算法的执行标准。大多数情况下，这是训练数据的问题，但这也发生在使用机器学习在新领域上。
在处理实际应用程序时所做的研究通常会推动该领域的进展，原因有两个：1. 发现现有方法的界限和局限性的趋势 2. 研究人员和开发人员与领域专家合作，利用时间和专业知识来提高系统性能。
有时这也是由“意外”发生的。我们可能会考虑模型集合或许多学习算法的组合来提高准确性，但有一个例子。2009 年 Netflix Price 的团队发现，当他们将学习者与其他团队的学习者结合起来时，他们取得了最好的成绩，从而改进了推荐算法。
在商业和其他领域的应用方面，一个重要的观点（基于对该领域专家的访谈和对话）是，机器学习不仅仅是一个经常被误解的概念，甚至与自动化有关，这是一个经常被误解的概念。如果你这样想，你一定会错过机器学习可以提供的宝贵见解和由此产生的机会（重新思考整个商业模式，就像制造业和农业等所做的那样）。
学习的机器对人类很有用，因为它们具有所有的处理能力，能够更快地突出显示或找到人类可能错过的大数据（或其他）中的模式，否则人类就会错过这些模式。机器学习是一种工具，可用于增强人类解决问题的能力，并从广泛的问题中做出明智的推断，从帮助诊断疾病到提出全球气候变化的解决方案。
挑战与局限
“机器学习无法从无到有 …… 它的作用是从更少的东西中获得更多。”– 华盛顿大学 Pedro Domingo 博士
机器学习中两个最大的，历史性的和持续的问题都涉及过度拟合（其中模型表现出对训练数据的偏见，并且不会推广到新数据，和 / 或变化，即在训练新数据时学习随机事物）和维度（具有更多特征的算法在更高 / 更多维度上工作，使得理解数据更加困难）。在某些情况下，访问足够大的数据集也是主要问题。
机器学习初学者中最常见的错误之一是成功地测试训练数据并产生成功的假象; Domingo（和其他人）强调在测试模型时保持一些数据集独立的重要性，并且仅使用该保留的数据来测试所选模型，然后对整个数据集进行学习。
当一个学习算法（即学习者）不起作用时，通常更快的成功之路是为机器提供更多的数据，其可用性现已成为近期机器学习和深度学习算法进步的主要驱动因素。然而，这可能导致可扩展性问题，在可扩展性中，我们有更多的数据，但是否有时间了解数据仍然是一个问题。
就目的而言，机器学习本身并不是目的或解决方案。此外，尝试将其用作一揽子解决方案即“BLANK”并不是一项有用的做法; 相反，带着一个问题或目标来到谈判桌上往往最好由一个更具体的问题来驱动 –“BLANK”。度学习与神经网络的现代发展
深度学习涉及机器算法的研究和设计，用于在多个抽象级别（安排计算机系统的方式）学习数据的良好表示。最近通过 DeepMind，Facebook 和其他机构进行深度学习进行了宣传，突显了它作为机器学习的“下一个前沿”。
机器学习国际会议（ICML）被广泛认为是世界上最重要的会议之一。该会议在今年 6 月在纽约市举行，汇集了来自世界各地的研究人员齐聚一堂，他们致力于解决当前深度学习中的挑战：
- 小数据集中的无监督学习
- 基于模拟的学习和对现实世界的可转移性
深度学习系统在过去十年中在诸如对象检测和识别，文本到语音，信息检索等领域取得了巨大的进步。研究现在专注于开发数据高效的机器学习，也就是在个性化医疗、机器人强化学习、情绪分析等前沿领域，开发更搞笑的深度学习系统，在更短的时间和更少的数据下，以同样的性能进行跟高效的学习。
应用机器学习的关键
下面是一系列应用机器学习的最佳实践和概念，我们已经从我们对播客系列的采访以及本文末尾引用的选择来源进行了整理。我们希望这些原则中的一些将阐明如何使用 ML，以及如何避免公司和研究人员在启动 ML 相关项目时可能容易受到的一些常见陷阱。
- 可以说，在成功的机器学习项目中最重要的因素是用来描述数据（特定于领域）的特性，并具有足够的数据来训练你的模型
- 大多数情况下，当算法表现不佳时，这是由于训练数据存在问题（即数据量不足 / 数据偏差; 数据噪声较大; 或者描述数据的功能不足以做出决策
- “简单并不意味着准确性”– 根据多明戈的说法，模型的参数数量和过度拟合的趋势之间没有特定的联系
- 如果可能的话，应该尽可能的获得实验数据（而不是我们无法控制的观察数据）（例如，从向随机观众进行抽样发送不同的电子邮件中收集的数据）
- 无论我们是否标记数据因果关系或相关性，更重要的都是预测我们行为的影响
- 始终留出一部分训练数据集进行交叉验证; 你希望你选择的分类器或学习算法在新数据上表现良好
