本文概述
设计比人类更智能的机器并不是什么新鲜事。计算机科学对人类”智能”的早期攻击之一就是通过下棋。国际象棋(或应该说是？)被许多人视为对人类智力和创造力的终极考验, 而在1960-70年代, 计算机科学中存在着不同的思想流派。
一些人认为计算机在取代国际象棋方面超越人类只是时间问题, 而其他人则认为这永远不会发生。
Kasparov vs. Deep Blue
在思想战中最具特色的是人机对战, 这是1996年当时的世界冠军加里·卡斯帕罗夫(可以说是有史以来最好的国际象棋棋手)与IBM为该事件而设计的超级计算机Deep Blue之间的国际象棋比赛。
图片来源：维基百科
简而言之, 卡斯帕罗夫令人信服地赢得了1996年的比赛(4-2), 但由于许多争议以及卡斯帕罗夫对IBM的直接作弊指控而失去了1997年的复赛(4.5-3.5)。
无论如何, 国际象棋和计算机科学时代已经结束。计算机被认为比任何活着的人类都聪明。对复仇感到满意的IBM拆除了Deep Blue并继续前进。
如今, 任何大师都无法击败在商品硬件上运行的任何常规国际象棋引擎。
什么不是机器学习
在更深入地研究机器学习之前, 让我们先消除一些误解。机器学习并不是通过任何想象力来复制人类大脑的尝试。尽管埃隆·马斯克(Elon Musk)等人拥有耸人听闻的信念, 但计算机科学研究表明, 他们并不是在寻找这种神圣的谷物, 当然也没有找到它的地方。
简而言之, 机器学习是将示例学习过程应用于计算机的实践。这与依靠人工程序员将所有可能的情况和硬编码规则考虑到系统中的传统方法形成对比。
坦率地说, 这就是关于机器学习的内容：将大量数据和大量数据输入计算机, 以便计算机可以从示例(尝试→错误→比较→改进)中学习, 而不必依赖源代码。
机器学习的应用
因此, 如果机器学习不是黑魔法, 也不会产生终结者, 那么它有什么用？
机器学习可以在传统编程陷入困境的情况下提供帮助, 而这些情况通常属于两类之一。
- 分类
- 预测
顾名思义, 分类考虑到正确标记事物的能力, 而”预测”的目的是在给定足够大的过去值数据集的情况下纠正未来的预测。
机器学习的一些有趣的应用是：
垃圾邮件过滤
电子邮件垃圾邮件无处不在, 但是试图阻止它可能是一场噩梦。垃圾邮件是如何定义的？是否存在特定的关键字？还是它的书写方式？在程序方面, 很难想出一套详尽的规则。
这就是为什么我们使用机器学习。我们向系统显示了数百万条垃圾邮件和非垃圾邮件, 然后让系统找出其余部分。这就是Gmail出色的垃圾邮件过滤器背后的秘密, 该过滤器在2000年代初震撼了个人电子邮件！
推荐建议
如今, 所有主要的电子商务公司都拥有强大的推荐系统。有时, 尽管我们以前从未点击过该项目, 但他们推荐我们”可能”认为有用的事情的能力却非常准确。
巧合？一点也不！
机器学习在这里很难工作, 要在数TB的数据之后吞噬数TB, 并试图预测我们不稳定的情绪和喜好。
聊天机器人
你是否遇到过奇怪的机器人级客户支持, 但却能够进行有趣的闲聊？
好吧, 那么你就被机器学习所困扰！
从对话中学习并确定何时说什么是chatbot应用程序即将到来且令人兴奋的领域。
除草
在农业中, 由机器学习提供支持的机器人用于选择性地在农作物中喷洒杂草和其他有害植物。
否则, 这将必须手动完成, 否则将非常浪费, 因为该系统还会用杀手液喷洒农产品！
声音搜索
与计算机系统的基于语音的交互不再是科幻小说。今天, 我们拥有Alexa, Siri和Google Home之类的数字助手, 它们可以口头上执行命令, 而且不会搞乱(嗯, 差不多！)。
有人可能会说这是最好避免的发明, 因为它使人类比以往任何时候都变得懒惰, 但你不能否认其有效性。例如, 在Google I / O 2018中, 该公司对其研究团队的工作进行了精彩的演示。
医学诊断
随着基于机器学习的系统在诊断X射线等方面的表现已超越有经验的医生, 我们正处于医学诊断革命的边缘。
请注意, 这并不意味着很快就不需要医生, 而是医疗质量将大大提高, 而成本却会急剧下降(除非企业卡特尔另有规定！)。
这只是机器学习的用途的一个示例。无人驾驶汽车, 策略游戏机器人, T恤折叠机, 验证码破解, 黑白照片的着色–这些天正在发生很多事情。
机器学习的类型
机器学习技术有两种。
监督学习(系统由人的判断指导)和无监督学习(由系统让学生自行学习)。换句话说, 在监督学习中, 我们有一个既包含输入又包含预期输出的数据集, 系统使用该数据集进行比较和自我校正。不过, 在”无监督学习”中, 没有可用于衡量的现有输出, 因此, 结果可能会有很大差异。
无监督机器学习的激动人心的应用？
那将是机器人在玩棋盘游戏, 其中该程序被告知游戏规则和获胜条件, 然后留给自己的设备。然后, 该程序会针对自己进行数百万场游戏, 从错误中吸取教训并加强有利的决策。
如果你使用的是功能强大的计算机, 则可以在几个小时内准备出世界一流的AI玩法！
下图简要说明了这些想法(来源：中)：
机器学习入门资源
那么, 既然你对机器学习一无所知, 它如何帮助你征服世界, 从哪里开始？
下面, 我在网上列出了一些很棒的资源, 这些资源可以帮助你在无需获得博士学位的情况下实现机器学习的流利性。在计算机科学中！如果你不是机器学习研究人员, 那么你会发现机器学习领域像一般编程一样既实用又有趣。
因此, 请放心, 无论你目前处于什么水平, 都可以像一个不错的机器学习程序一样, 自学并不断进步。 ????
程式设计
进入机器学习的首要要求是学习编程。这是因为机器学习系统采用了各种编程语言的库形式。
最推荐使用Python, 部分是因为它令人难以置信的令人愉悦的学习, 部分是因为它具有庞大的库和资源生态系统。
正式的《入门指南》是一个很好的起点, 即使你对Python有点熟悉。或者, 参加这个Bootcamp课程, 从零开始成为英雄。
思维统计
学习完Python的基础知识后, 我的第二条建议是阅读两本非常出色的书。它们是100％免费的, 可以PDF格式下载。 Think Stats和Think Bayes是每位有抱负的机器学习工程师都应内化的两个现代经典。
Udemy
此时, 我建议你参加Udemy的几门课程。交互式, 自定进度的格式将帮助你深入了解并树立信心。
在开始之前, 请确保查看课程预览, 评论(尤其是负面评论！)和课程的总体感觉。
你还可以免费在YouTube上观看精彩的教程。我可以推荐Sentdex这样的渠道, 尽管总是充满乐趣, 但他所采用的方法并不适合初学者。
吴安德|
吴安德(Andrew Ng)在Coursera上教授的课程可以说是机器学习基础方面最受欢迎的学习资源。
尽管它使用R编程语言, 但在主题处理和清晰的解释上却无与伦比。由于这门课程, 吴安德鲁(Andrew Ng)在ML圈子中取得了某种神似的身材, 人们都仰慕他以获得终极智慧(我不是在开玩笑！)。
对于初学者来说, 这确实不是一门课程, 但是如果你已经精通数据整理, 并且不介意进行任何附带研究, 那么这是最好的建议。
互联网上的资源无止境, 开始时很容易迷路。大多数教程和讨论都在数学上具有挑战性, 或者缺乏结构, 并且可能在你甚至没有开始之前就破坏你的信心。
因此, 我想警告你, 避免自我毁灭：保持目标适度, 并以最小的步伐移动。在一两天内, 机器学习并不是你可以适应的, 但是很快你就会开始享受自己的乐趣, 而且谁知道, 甚至可能创造出令人恐惧的东西！
玩得开心！ ????
来源：
https://www.srcmini02.com/41899.html
