原文：The non-techie’s guide to machine learning

作者：Kannan Chandrasegaran  翻译：不二

来源：CSDN技术头条

译者注：很多人都在谈人工智能，谈机器学习，但他们有自己的理解，作者从一个非常有趣的场景开始延伸，步步深入，对机器学习有独特的解释和指导。

这里是另一家创业公司的聚会，你靠在吧台上，一边喝着小酒。这样的夜晚你只考虑自己，尽情享受社交活动。

偶然间，一个声音从你耳边传来。

"他们绝对是机器学习的创业公司。"

谈话声消失了。

"他们仍然在使用统计NLP吗？复发性神经网络似乎是一种趋势。"

谈话声再次消失。

机器学习像病毒一样迅速传播，你惊讶的发现这几分钟内，吧台上的每个人都在讨论机器学习。

过去你曾听说过这个术语，谁没有听说过呢？机器学习是一种潮流，毫无疑问，它是人工智能的未来。

问题是，你没有一点关于它的想法。

你放下酒杯转身离开，今晚将是不眠之夜。

世界末日

最开始听说的机器学习机器人，是代替蓝领完成工作。

然后，我们发现机器人开始抢白领的饭碗。

在我们失业的将来，会发现这些机器人在我们背后聊天。

可能在闲聊那些懒惰的失业的人类。

机器学习在如此多的场景被谈及，但却很难被准确定义，翻越查找得到的是抽象的原理解释，高频拼字游戏的词语，以及由数学和代码组成的一堵墙。

你只想知道什么是机器学习，为什么它是一个伟大的想法，顺便了解一点它是如何工作的。坦白的说，你只想搞清楚身边那些流行词汇的意思，这些词汇就像中学课堂上该死的单词，每个人都在使用它们，但你有一种感觉没有人知道它真正的意思。

开始潜入

所以机器学习，像AI？

这是一个很好的开始，我们都知道人工智能的含义。我们虽然在思考不同的事情，但可以肯定的是思考的都是有价值的想法。

人工智能(AI)是研究构建做出“智能”决策的系统。

基本上如果电脑能做出一些似乎有点聪明的事儿，我们就会给它贴人工智能的标签。

举一个常见的例子，电脑游戏通常会出现智能的Boss角色，他们跟随我们，并且他们的行为方式让游戏变成一种挑战。这就是AI的例子。

通过给予AI一些列的规则，游戏的发展可以实现，跟谁玩家，如果玩家正在射击，寻找掩护，如果玩家停止射击，尝试击毙玩家。规则越多，游戏将会越智能。

问题是电脑游戏的规则是有限的，玩家仅限于一些特定的操纵，而操作水平完全由开发者设计。所以那些似乎真的很智能的出色的AI特征，就是由开发者设计的规则组成。

并不是所有的问题都可以用规则解决

比如说用一台电脑来检测这是不是狗的照片。

如何为这个任务定义规则呢？

尝试设想一下需要哪些类别的规则。

狗有四条腿？

狗是白色的？

狗有皮毛？

这是众所周知的座椅。

电脑视觉问题，比如识别一个对象，是相当复杂的。但我们的大脑却能直观的分辨出。所以设计出明确的规则非常困难。

进入机器学习

我们不能建立识别狗狗的系统，却能建立学习识别狗狗的系统。

这里有上千张图片，其中一些是狗的图片，一些不是。系统能学习可以定义为狗的照片的规则。

机器学习是研究构建做出“智能”决策的系统。

关键字"学习"去区分机器学习与其他人智能不同的地方。

"既然机器可以学习规则，那么显然，规则是已存在的，不必费劲便能找到它们。"

完全正确，如果竭尽全力我们可以开发基于规则的狗狗检测大作，它是包含所有可能情景的上千条规则，这是一件漂亮的事情。

那么，倘若现在需要一个能识别包含食物图片的系统呢？好吧，我们将抛弃之前所有的从头开始，以前的规则都不适用。

"出色的识别技术，热狗也是狗。"

一个可以学习识别对象的系统，通过使用食物图片而不是狗狗图片，可以被训练为识别食物。

这就是机器学习的魅力。与其去明确一系列规则，不如让机器灵活的去学习和适应。

保持真实

现在更像是我们建立了一个活生生的、能不断学习的，并能让它通过与小狗一起玩耍从而教它识别狗的机器。然后再教它可爱和爱，并希望说服它不要起义把我们灭了，是吧？

现实情况并没那么复杂，我们希望机器可以智能决策，通常建立在预测的基础上，所以从这样的问题开始：人类是怎样预测的？

这里有一个很好的例子来说明我们怎样预测，可能在中学的科学课堂上就做过。

比如做实验，你需要收集数据，然后绘制成图。

实验>数据>图形

x轴表示改变的值，y轴便是测量的结果，然后绘制趋势线（或者最佳线）。

这条线便是最好的数据模型。

因为有这条线，所以可以做出预测。你可以选择没有测量过的重量，在x轴上观察，然后从y轴上预测弹簧的长度。

使用数据建立模型，然后通过模型进行预测。

如果编程可以完成这些步骤，那么恭喜：这就是机器学习。

发现线性模型并借此进行预测，这完全是机器学习技术，我们称之为线性回归。

将模型编程写入系统，系统便能对这个弹簧进行预测。但如果不编写新的程序，它便无法对其他弹簧进行预测。

如果我们让程序完成线性回归本身，同时学习模型，这才是机器学习。

我们不提供模型，而是让机器去学习模型。

巫师戏法

举个例子来形容那边是：

机器学习并不神秘。

我们并不是建立拥有自我意识可以学习任何东西的机器，弹簧模型程序不会学习识别狗狗。

即便是你，弹簧狗。

我们建立的系统是可以学习特定类型的模型，那个我们所忽略的模型。

几乎每个机器学习系统都会以下这些事儿：

系统给出基于模型的输出结果，对输出进行评估，以确定它有多糟糕，然后更新模型，使未来的输出变得更好。

建立可以完成对特定问题不断循环（评估->更新->输出->评估）的系统，机器学习便是这么一门艺术。

输出的复杂性取决于问题本身，它可能只是来自于聊天机器人的文本响应，或者是无人驾驶中是否踩刹车的一个决定。

真实的模型可能是像弹簧问题的线性模型，可能是更复杂的基于统计和概率的模型。或者是设计模拟人类大脑工作的神经网络。

不管细节是什么，几乎每个机器学习系统都是这样循环的运行。每次循环，系统都提升一点点。经过上千次甚至百万次循环，便可以得到已学会比人类更好完成任务的系统。

丰富多彩的应用程序，以及解决程序问题所需的技术，都是机器学习与许多其他领域交叉的重要原因，也是现在为什么机器学习是如此激动人心的话题。

总结

建立机器学习系统是复杂的，但要搞懂机器学习并不难。

所以去征服那个创业公司的聚会吧，抛出那些新发现的流行词汇。你只需要再沉浸几年，到时候相信也会有机器人来帮你做这些事。