简单来说,机器学习就是从大量数据中,找寻模式,并每次学习中优化减错误率,使预测更準确。

机器学习的应用场景非常广阔,但凡有大量资料,有预测需要的情景都能大派用场。

右图:由数据到预测的机器学习例子。

Machine Learning Examples
资料来源: 机器学习的示例应用程序:将数据转化为预测

首先釐清一下概念。人工智能,机器学习和深度学习之间有什麽分别?右图NVIDIA表:

  • 人工智慧是一门成立於1950年代初期的研究领域。由约翰麦卡锡於1955年定义为「製造智慧型机器的科学与工程」。

  • 机器学习是利用演算法从资料中学习作预测的研究领域。机器学习的目标绝非作出“完美”的预测,其目标是做出有用的预测。自1980年代以来,得到长足发展,势头强劲,是AI人工智慧的子领域。

  • 深度学习是利用神经网络模型的机器学习,是一个较新㯋的子领域。特别在图像,视频,文字和音讯处理上都有突破性的进展。。

  • 最简单的答案:不用执著,随便一个吧,由其对於无知的对象或是閒话家常时候! 

  • 安全答案:机器学习,现在比AI或DL更常用!  

如果是用Python写编的,就是机器学习;如果是用PowerPoint做,就是AI。”

AI vs. ML vs. DL
difference between software and machine learning

机器学习和一般软件有什麽区别?
机器学习的演算法程式也是一个软件。那麽,它有何不同?

在一般软件而言,人类写出指令控制电脑执行。

而机器学习,人类提供的数据指引电脑从数据中找出答案。 

  • 假设将机器学习演算法称为“学生机器人”;

  • 还有另一个教师机器人拥有(资讯/数据)来教导并且测验学生机器人。

  • 每次教导後,如学生机器人在测试中失败,另一个称为“维修机器人”将重新修理失败学生的大脑,并一次又一次重複将学生做测验,成功的学生将留下再做新一轮测验,不可救药的学生就被赶出校。

  • 想像一下,参与测验的学生成千上万(每个代表不同的算法),最终会出现了一个在不断测试中都名列前茅学生机器人。