原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
导读：“机器学习”一词往往被与“人工智能”“深度学习”混用，也常与“大数据”一词一同出现。下面首先简要介绍它们的关系，然后讲述机器学习的基本概念和模式。
“机器学习”“人工智能”“深度学习”这三个词常常被人混淆，但其实它们出现的时间相隔甚远，“人工智能”（ArtificialIntelligence，AI）出现于20世纪50年代，“机器学习”（MachineLearning，ML）出现于20世纪80年代，而“深度学习”（DeepLearning，DL）则是近些年才出现的。三者是包含与被包含关系，如图1-1所示。
▲图1-1人工智能、机器学习和深度学习的关系
业内对于以上关系还有不同的见解，比如认为深度学习有部分内容在机器学习范畴之外，此处不深究。
01机器学习与人工智能
“人工智能”一词出现在1956年的达特茅斯会议上，当时人工智能先驱的梦想是建造具有人类智能体的软硬件系统，该系统具有人类的智能特征，而这里所说的人工智能为“通用人工智能”。
这样的人工智能梦想曾在影视作品中大放异彩，如电影《星球大战》中的C-3PO机器人具有人类的理性和思考能力。不过，迄今为止，这种高层次的推理和思想仍然难以实现，退而求其次，目前能够落地的都属于“狭义的人工智能”，如人脸识别等。
我们将机器学习描述为实现人工智能的一种方式方法。机器学习是基于已有数据、知识或经验自动识别有意义的模式。最基本的机器学习使用算法解析和学习数据，然后在相似的环境里做出决定或预测。简言之，即基于数据学习并做决策。这样的描述将机器学习与传统软件或普通程序区分开来。
机器学习过程中，并没有人为指示机器学习系统如何对未知环境做出决策或预测，这一过程由机器学习中的算法从数据中习得，做出决策的主体是机器学习算法，并且决策或预测是非确定性的结果，一般以概率的形式输出，比如80%的可能性是晴天。
与之不同的是，常规的应用程序需要软件工程师一句句地编写代码（特定的指令集），指示程序或软件做出确定的行为，比如输出0和1分别表示注册成功和失败。做出决策的主体实际是人，程序只是执行动作的工具。正因如此，机器学习可归为间接编程，与之对应的是常规编程。
02机器学习与深度学习
深度学习使用多层（一般多于5层）人工神经网络学习数据内部的复杂关系。人工神经网络是生物科学、认知科学等与人工智能结合的产物，在早期的机器学习中就已开始应用，其初衷是在计算机中模拟人类大脑神经元的工作模式。
人类大脑的神经元在百亿级别，通过突触实现彼此交流，从计算的角度看属于计算密集型，这限制了复杂人工神经网络在实践中的应用。计算机计算能力的大幅提升带来了新的可能，2000年，多伦多大学领导的研究小组在不懈研究下，终于在现代超级计算机中验证了深度学习的多层网络结构。
GeoffreyHinton因在深度学习领域做出巨大贡献而被称为深度学习的鼻祖，并与YoshuaBengio、YannLeCun并称机器学习三巨头。（三人因在深度学习领域的贡献而荣获2018年图灵奖。
深度学习可被看作一种实现机器学习的技术，是机器学习的子集。与深度学习相对，过去那些只有单层或少层的神经网络被称为浅层学习。
对于机器学习的描述，也有专家调侃地发声，以表明某种现象：当你募集资金时，这属于人工智能；当你招聘时，这属于机器学习；当你执行时，这属于线性回归；当你调试时，这属于printf()。
以上只从某个侧面简要描述了人工智能、机器学习和深度学习的关系，更全面的信息请读者参考相关资料。
03机器学习与统计学、大数据及数据科学
机器学习与传统统计密不可分，两者都是从数据中得出结论。统计学中首先提出数据空间假设（比如数据呈正态分布）下的参数化求解，同时关心样本量增大至无穷时统计估计的收敛问题；机器学习则尽可能少地对数据分布做出假设，而以算法作为关键，学习接近数据生成的模型，同时关注有限样本下学习的性能（算法和模型表现）。
机器学习与大数据也常常出现在同一场合。当某人提到大数据时，需要看此人背景才能明确其所说大数据的含义。
当此人是大数据相关技术人员、从技术角度描述大数据时，他往往指的是数据的存储、分析、处理和计算的技术，其难点并不在于具体的算法，而在于存储、计算的分布式系统的层级问题。从行业中我们也能看到针对大量的数据建模往往使用相对简单的算法。
相反，对于少量数据，由于来之不易，往往会进行大量精细的分析和处理。我们很难根据某一天的天气推测另一天的天气状况，但如果有大量的历史天气数据，使用常规算法推测另一天的天气状况就会有较大把握。
在某种意义上，“大数据不难，小数据才难”有一定道理。当此人从业务角度描述大数据时，他往往指的是数据，是基于数据的分析挖掘、运营以及产生业务价值的方法和策略。
当外行人说大数据时，他往往指的是海量数据、安全与
文档评论（0）