機器學(xué)習（Machine Learning，ML）是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統計學(xué)、逼近論、凸分析、算法復雜度理論等多門(mén)學(xué)科。其專(zhuān)門(mén)研究計算機是怎樣模擬或實(shí)現人類(lèi)的學(xué)習行為，以獲取新的知識或技能，重新組織已有的知識結構，使之不斷改善自身的性能。此外，數據挖掘和機器學(xué)習有很大的交集。本文將從架構和應用角度去解讀這兩個(gè)領(lǐng)域。
數據挖掘是從海量數據中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過(guò)程。數據挖掘中用到了大量的機器學(xué)習界提供的數據分析技術(shù)和數據庫界提供的數據管理技術(shù)。從數據分析的角度來(lái)看，數據挖掘與機器學(xué)習有很多相似之處，但不同之處也十分明顯，例如，數據挖掘并沒(méi)有機器學(xué)習探索人的學(xué)習機制這一科學(xué)發(fā)現任務(wù)，數據挖掘中的數據分析是針對海量數據進(jìn)行的，等等。從某種意義上說(shuō)，機器學(xué)習的科學(xué)成分更重一些，而數據挖掘的技術(shù)成分更重一些。
學(xué)習能力是智能行為的一個(gè)非常重要的特征，不具有學(xué)習能力的系統很難稱(chēng)之為一個(gè)真正的智能系統，而機器學(xué)習則希望（計算機）系統能夠利用經(jīng)驗來(lái)改善自身的性能，因此該領(lǐng)域一直是人工智能的核心研究領(lǐng)域之一。在計算機系統中，“經(jīng)驗”通常是以數據的形式存在的，因此，機器學(xué)習不僅涉及對人的認知學(xué)習過(guò)程的探索，還涉及對數據的分析處理。實(shí)際上，機器學(xué)習已經(jīng)成為計算機數據分析技術(shù)的創(chuàng )新源頭之一。由于幾乎所有的學(xué)科都要面對數據分析任務(wù)，因此機器學(xué)習已經(jīng)開(kāi)始影響到計算機科學(xué)的眾多領(lǐng)域，甚至影響到計算機科學(xué)之外的很多學(xué)科。機器學(xué)習是數據挖掘中的一種重要工具。然而數據挖掘不僅僅要研究、拓展、應用一些機器學(xué)習方法，還要通過(guò)許多非機器學(xué)習技術(shù)解決數據倉儲、大規模數據、數據噪聲等實(shí)踐問(wèn)題。機器學(xué)習的涉及面也很寬，常用在數據挖掘上的方法通常只是“從數據學(xué)習”。然而機器學(xué)習不僅僅可以用在數據挖掘上，一些機器學(xué)習的子領(lǐng)域甚至與數據挖掘關(guān)系不大，如增強學(xué)習與自動(dòng)控制等。所以筆者認為，數據挖掘是從目的而言的，機器學(xué)習是從方法而言的，兩個(gè)領(lǐng)域有相當大的交集，但不能等同。
圖1是一個(gè)典型的推薦類(lèi)應用，需要找到“符合條件的”潛在人員。要從用戶(hù)數據中得出這張列表，首先需要挖掘出客戶(hù)特征，然后選擇一個(gè)合適的模型來(lái)進(jìn)行預測，最后從用戶(hù)數據中得出結果。
圖1
把上述例子中的用戶(hù)列表獲取過(guò)程進(jìn)行細分，有如下幾個(gè)部分（見(jiàn)圖2）。
圖2
業(yè)務(wù)理解：理解業(yè)務(wù)本身，其本質(zhì)是什么？是分類(lèi)問(wèn)題還是回歸問(wèn)題？數據怎么獲??？應用哪些模型才能解決？
數據理解：獲取數據之后，分析數據里面有什么內容、數據是否準確，為下一步的預處理做準備。
數據預處理：原始數據會(huì )有噪聲，格式化也不好，所以為了保證預測的準確性，需要進(jìn)行數據的預處理。
特征提?。禾卣魈崛∈菣C器學(xué)習最重要、最耗時(shí)的一個(gè)階段。
模型構建：使用適當的算法，獲取預期準確的值。
模型評估：根據測試集來(lái)評估模型的準確度。
模型應用：將模型部署、應用到實(shí)際生產(chǎn)環(huán)境中。
應用效果評估：根據最終的業(yè)務(wù)，評估最終的應用效果。
整個(gè)過(guò)程會(huì )不斷反復，模型也會(huì )不斷調整，直至達到理想效果。
機器學(xué)習的算法有很多，這里從兩個(gè)方面進(jìn)行介紹：一個(gè)是學(xué)習方式，另一個(gè)是算法類(lèi)似性。
學(xué)習方式
根據數據類(lèi)型的不同，對一個(gè)問(wèn)題的建?？梢杂胁煌姆绞?。在機器學(xué)習或人工智能領(lǐng)域，人們首先會(huì )考慮算法的學(xué)習方式。在機器學(xué)習領(lǐng)域有如下幾種主要的學(xué)習方式。
監督式學(xué)習：在監督式學(xué)習下，輸入數據被稱(chēng)為“訓練數據”，每組訓練數據都有一個(gè)明確的標識或結果，如對防垃圾郵件系統中的“垃圾郵件”、“非垃圾郵件”，對手寫(xiě)數字識別中的“1”、“2”、“3”、“4”等。在建立預測模型的時(shí)候，監督式學(xué)習建立一個(gè)學(xué)習過(guò)程，將預測結果與“訓練數據”的實(shí)際結果進(jìn)行比較，不斷地調整預測模型，直到模型的預測結果達到一個(gè)預期的準確率。監督式學(xué)習的常見(jiàn)應用場(chǎng)景包括分類(lèi)問(wèn)題和回歸問(wèn)題。常見(jiàn)算法有邏輯回歸和反向傳遞神經(jīng)網(wǎng)絡(luò )。
非監督式學(xué)習：在非監督式學(xué)習下，數據并不被特別標識，學(xué)習模型是為了推斷出數據的一些內在結構。常見(jiàn)的應用場(chǎng)景包括關(guān)聯(lián)規則的學(xué)習及聚類(lèi)等。常見(jiàn)算法包括Apriori算法和K-Means算法。
半監督式學(xué)習：在半監督式學(xué)習下，輸入數據部分被標識，部分沒(méi)有被標識。這種學(xué)習模型可以用來(lái)進(jìn)行預測，但是模型首先需要學(xué)習數據的內在結構，以便合理地組織數據進(jìn)行預測。其應用場(chǎng)景包括分類(lèi)和回歸。常見(jiàn)算法包括一些對常用監督式學(xué)習算法的延伸。這些算法首先試圖對未標識的數據進(jìn)行建模，然后在此基礎上對標識的數據進(jìn)行預測，如圖論推理算法或拉普拉斯支持向量機等。
強化學(xué)習：在強化學(xué)習下，輸入數據作為對模型的反饋，不像監督模型那樣，輸入數據僅僅作為一種檢查模型對錯的方式。在強化學(xué)習下，輸入數據直接反饋到模型，模型必須對此立刻做出調整。常見(jiàn)的應用場(chǎng)景包括動(dòng)態(tài)系統及機器人控制等。常見(jiàn)算法包括Q-Learning及時(shí)間差學(xué)習（Temporal Difference Learning）等。
在企業(yè)數據應用的場(chǎng)景下，人們最常用的可能就是監督式學(xué)習和非監督式學(xué)習。在圖像識別等領(lǐng)域，由于存在大量的非標識數據和少量的可標識數據，目前半監督式學(xué)習是一個(gè)很熱門(mén)的話(huà)題。而強化學(xué)習更多地應用在機器人控制及其他需要進(jìn)行系統控制的領(lǐng)域。
算法類(lèi)似性
根據算法的功能和形式的類(lèi)似性，可以對算法進(jìn)行分類(lèi)，如基于樹(shù)的算法、基于神經(jīng)網(wǎng)絡(luò )的算法等。當然，機器學(xué)習的范圍非常龐大，有些算法很難明確歸到某一類(lèi)。而對于有些分類(lèi)來(lái)說(shuō)，同一分類(lèi)的算法可以針對不同類(lèi)型的問(wèn)題。這里，我們盡量把常用的算法按照最容易理解的方式進(jìn)行分類(lèi)。
回歸算法：回歸算法是試圖采用對誤差的衡量來(lái)探索變量之間的關(guān)系的一類(lèi)算法?；貧w算法是統計機器學(xué)習的利器。常見(jiàn)的回歸算法包括最小二乘法、邏輯回歸、逐步式回歸、多元自適應回歸樣條及本地散點(diǎn)平滑估計等。
基于實(shí)例的算法：基于實(shí)例的算法常常用來(lái)對決策問(wèn)題建立模型，這樣的模型常常先選取一批樣本數據，然后根據某些近似性把新數據與樣本數據進(jìn)行比較，從而找到最佳的匹配。因此，基于實(shí)例的算法常常被稱(chēng)為“贏(yíng)家通吃學(xué)習”或者“基于記憶的學(xué)習”。常見(jiàn)的算法包括k-Nearest Neighbor（kNN）、學(xué)習矢量量化（Learning Vector Quantization，LVQ）及自組織映射算法（Self-Organizing Map，SOM）等。
正則化算法：正則化算法是其他算法（通常是回歸算法）的延伸，根據算法的復雜度對算法進(jìn)行調整。正則化算法通常對簡(jiǎn)單模型予以獎勵，而對復雜算法予以懲罰。常見(jiàn)的算法包括Ridge Regression、Least Absolute Shrinkage and Selection Operator（LASSO）及彈性網(wǎng)絡(luò )（Elastic Net）等。
決策樹(shù)算法：決策樹(shù)算法根據數據的屬性采用樹(shù)狀結構建立決策模型，常用來(lái)解決分類(lèi)和回歸問(wèn)題。常見(jiàn)算法包括分類(lèi)及回歸樹(shù)（Classification and Regression Tree，CART）、ID3（Iterative Dichotomiser 3）、C4.5、Chi-squared Automatic Interaction Detection（CHAID）、Decision Stump、隨機森林（Random Forest）、多元自適應回歸樣條（MARS）及梯度推進(jìn)機（GBM）等。
貝葉斯算法：貝葉斯算法是基于貝葉斯定理的一類(lèi)算法，主要用來(lái)解決分類(lèi)和回歸問(wèn)題。常見(jiàn)的算法包括樸素貝葉斯算法、平均單依賴(lài)估計（Averaged One-Dependence Estimators，AODE）及Bayesian Belief Network（BBN）等。
基于核的算法：基于核的算法中最著(zhù)名的莫過(guò)于支持向量機（SVM）?；诤说乃惴ㄊ前演斎霐祿成涞揭粋€(gè)高階的向量空間，在這些高階向量空間里，有些分類(lèi)或者回歸問(wèn)題能夠更容易地解決。常見(jiàn)的基于核的算法包括支持向量機（Support Vector Machine，SVM）、徑向基函數（Radial Basis Function，RBF）及線(xiàn)性判別分析（Linear Discriminate Analysis，LDA）等。
聚類(lèi)算法：聚類(lèi)算法通常按照中心點(diǎn)或者分層的方式對輸入數據進(jìn)行歸并。所有的聚類(lèi)算法都試圖找到數據的內在結構，以便按照最大的共同點(diǎn)將數據進(jìn)行歸類(lèi)。常見(jiàn)的聚類(lèi)算法包括K-Means算法及期望最大化算法（EM）等。
關(guān)聯(lián)規則學(xué)習：關(guān)聯(lián)規則學(xué)習通過(guò)尋找最能夠解釋數據變量之間關(guān)系的規則，來(lái)找出大量多元數據集中有用的關(guān)聯(lián)規則。常見(jiàn)的算法包括Apriori算法和Eclat算法等。
人工神經(jīng)網(wǎng)絡(luò )算法：人工神經(jīng)網(wǎng)絡(luò )算法模擬生物神經(jīng)網(wǎng)絡(luò )，是一類(lèi)模式匹配算法，通常用于解決分類(lèi)和回歸問(wèn)題。人工神經(jīng)網(wǎng)絡(luò )是機器學(xué)習的一個(gè)龐大的分支，有幾百種不同的算法（深度學(xué)習就是其中的一類(lèi)算法）。常見(jiàn)的人工神經(jīng)網(wǎng)絡(luò )算法包括感知器神經(jīng)網(wǎng)絡(luò )、反向傳遞、Hopfield網(wǎng)絡(luò )、自組織映射及學(xué)習矢量量化等。
深度學(xué)習算法：深度學(xué)習算法是對人工神經(jīng)網(wǎng)絡(luò )的發(fā)展。在計算能力變得日益廉價(jià)的今天，深度學(xué)習算法試圖建立大得多也復雜得多的神經(jīng)網(wǎng)絡(luò )。很多深度學(xué)習算法是半監督式學(xué)習算法，用來(lái)處理存在少量未標識數據的大數據集。常見(jiàn)的深度學(xué)習算法包括受限波爾茲曼機（RBN）、Deep Belief Networks（DBN）、卷積網(wǎng)絡(luò )（Convolutional Network）及堆棧式自動(dòng)編碼器 （Stacked Auto-encoders）等。
降低維度算法：與聚類(lèi)算法一樣，降低維度算法試圖分析數據的內在結構，不過(guò)降低維度算法通過(guò)非監督式學(xué)習，試圖利用較少的信息來(lái)歸納或者解釋數據。這類(lèi)算法可以用于高維數據的可視化，或者用來(lái)簡(jiǎn)化數據以便監督式學(xué)習使用。常見(jiàn)的降低維度算法包括主成分分析（Principle Component Analysis，PCA）、偏最小二乘回歸（Partial Least Square Regression，PLSR）、Sammon映射、多維尺度（Multi-Dimensional Scaling，MDS）及投影追蹤（Projection Pursuit）等。
集成算法：集成算法用一些相對較弱的學(xué)習模型獨立地就同樣的樣本進(jìn)行訓練，然后把結果整合起來(lái)進(jìn)行整體預測。集成算法的主要難點(diǎn)在于究竟集成哪些獨立的、較弱的學(xué)習模型，以及如何把學(xué)習結果整合起來(lái)。這是一類(lèi)非常強大的算法，同時(shí)也非常流行。常見(jiàn)的集成算法包括Boosting、Bootstrapped Aggregation（Bagging）、AdaBoost、堆疊泛化（Stacked Generalization，Blending）、梯度推進(jìn)機（Gradient Boosting Machine，GBM）及隨機森林（Random Forest）等。
前面了解了機器學(xué)習和數據挖掘的基本概念，下面來(lái)看一下業(yè)界成熟的案例，對機器學(xué)習和數據挖掘有一個(gè)直觀(guān)的理解。
尿布和啤酒的故事
先來(lái)看一則有關(guān)數據挖掘的故事——“尿布與啤酒”。
總部位于美國阿肯色州的世界著(zhù)名商業(yè)零售連鎖企業(yè)沃爾瑪擁有世界上最大的數據倉庫系統。為了能夠準確了解顧客在其門(mén)店的購買(mǎi)習慣，沃爾瑪對其顧客的購物行為進(jìn)行購物籃分析，想知道顧客經(jīng)常一起購買(mǎi)的商品有哪些。沃爾瑪數據倉庫里集中了其各門(mén)店的詳細原始交易數據，在這些原始交易數據的基礎上，沃爾瑪利用NCR數據挖掘工具對這些數據進(jìn)行分析和挖掘。一個(gè)意外的發(fā)現是：跟尿布一起購買(mǎi)最多的商品竟然是啤酒！這是數據挖掘技術(shù)對歷史數據進(jìn)行分析的結果，反映了數據的內在規律。那么，這個(gè)結果符合現實(shí)情況嗎？是否有利用價(jià)值？
于是，沃爾瑪派出市場(chǎng)調查人員和分析師對這一數據挖掘結果進(jìn)行調查分析，從而揭示出隱藏在“尿布與啤酒”背后的美國人的一種行為模式：在美國，一些年輕的父親下班后經(jīng)常要到超市去買(mǎi)嬰兒尿布，而他們中有30%～40%的人同時(shí)也為自己買(mǎi)一些啤酒。產(chǎn)生這一現象的原因是：美國的太太們常叮囑她們的丈夫下班后為小孩買(mǎi)尿布，而丈夫們在買(mǎi)完尿布后又隨手帶回了他們喜歡的啤酒。
既然尿布與啤酒一起被購買(mǎi)的機會(huì )很多，于是沃爾瑪就在其各家門(mén)店將尿布與啤酒擺放在一起，結果是尿布與啤酒的銷(xiāo)售量雙雙增長(cháng)。
決策樹(shù)用于電信領(lǐng)域故障快速定位
電信領(lǐng)域比較常見(jiàn)的應用場(chǎng)景是決策樹(shù)，利用決策樹(shù)來(lái)進(jìn)行故障定位。比如，用戶(hù)投訴上網(wǎng)慢，其中就有很多種原因，有可能是網(wǎng)絡(luò )的問(wèn)題，也有可能是用戶(hù)手機的問(wèn)題，還有可能是用戶(hù)自身感受的問(wèn)題。怎樣快速分析和定位出問(wèn)題，給用戶(hù)一個(gè)滿(mǎn)意的答復？這就需要用到?jīng)Q策樹(shù)。
圖3就是一個(gè)典型的用戶(hù)投訴上網(wǎng)慢的決策樹(shù)的樣例。
圖3
圖像識別領(lǐng)域
小米面孔相冊
這項功能的名字叫“面孔相冊”，可以利用圖像分析技術(shù)，自動(dòng)地對云相冊照片內容按照面孔進(jìn)行分類(lèi)整理。開(kāi)啟“面孔相冊”功能后，可以自動(dòng)識別、整理和分類(lèi)云相冊中的不同面孔。
“面孔相冊”還支持手動(dòng)調整分組、移出錯誤面孔、通過(guò)系統推薦確認面孔等功能，從而彌補機器識別的不足。
這項功能的背后其實(shí)使用的是深度學(xué)習技術(shù)，自動(dòng)識別圖片中的人臉，然后進(jìn)行自動(dòng)識別和分類(lèi)。
支付寶掃臉支付
馬云在2015 CeBIT展會(huì )開(kāi)幕式上首次展示了螞蟻金服的最新支付技術(shù)“Smile to Pay”（掃臉支付），驚艷全場(chǎng)。支付寶宣稱(chēng)，Face++ Financial人臉識別技術(shù)在LFW國際公開(kāi)測試集中達到99.5%的準確率，同時(shí)還能運用“交互式指令+連續性判定+3D判定”技術(shù)。人臉識別技術(shù)基于神經(jīng)網(wǎng)絡(luò )，讓計算機學(xué)習人的大腦，并通過(guò)“深度學(xué)習算法”大量訓練，讓它變得極為“聰明”，能夠“認人”。實(shí)現人臉識別不需要用戶(hù)自行提交照片，有資質(zhì)的機構在需要進(jìn)行人臉識別時(shí)，可以向全國公民身份證號碼查詢(xún)服務(wù)中心提出申請，將采集到的照片與該部門(mén)的權威照片庫進(jìn)行比對。
也就是說(shuō)，用戶(hù)在進(jìn)行人臉識別時(shí)，只需打開(kāi)手機或電腦的攝像頭，對著(zhù)自己的正臉進(jìn)行拍攝即可。在智能手機全面普及的今天，這個(gè)參與門(mén)檻低到可以忽略不計。
用戶(hù)容易擔心的隱私問(wèn)題在人臉識別領(lǐng)域也能有效避免，因為照片來(lái)源權威，同時(shí)，一種特有的“脫敏”技術(shù)可以將照片模糊處理成肉眼無(wú)法識別而只有計算機才能識別的圖像。
圖片內容識別
前面兩個(gè)案例介紹的都是圖片識別，比圖片識別更難的是圖片語(yǔ)義的理解和提取，百度和Google都在進(jìn)行這方面的研究。
百度的百度識圖能夠有效地處理特定物體的檢測識別（如人臉、文字或商品）、通用圖像的分類(lèi)標注，如圖4所示。
圖4
來(lái)自Google研究院的科學(xué)家發(fā)表了一篇博文，展示了Google在圖形識別領(lǐng)域的最新研究進(jìn)展?；蛟S未來(lái)Google的圖形識別引擎不僅能夠識別出圖片中的對象，還能夠對整個(gè)場(chǎng)景進(jìn)行簡(jiǎn)短而準確的描述，如圖5所示。這種突破性的概念來(lái)自機器語(yǔ)言翻譯方面的研究成果：通過(guò)一種遞歸神經(jīng)網(wǎng)絡(luò )（RNN）將一種語(yǔ)言的語(yǔ)句轉換成向量表達，并采用第二種RNN將向量表達轉換成目標語(yǔ)言的語(yǔ)句。
圖5
而Google將以上過(guò)程中的第一種RNN用深度卷積神經(jīng)網(wǎng)絡(luò )CNN替代，這種網(wǎng)絡(luò )可以用來(lái)識別圖像中的物體。通過(guò)這種方法可以實(shí)現將圖像中的對象轉換成語(yǔ)句，對圖像場(chǎng)景進(jìn)行描述。概念雖然簡(jiǎn)單，但實(shí)現起來(lái)十分復雜，科學(xué)家表示目前實(shí)驗產(chǎn)生的語(yǔ)句合理性不錯，但距離完美仍有差距，這項研究目前僅處于早期階段。圖6展示了通過(guò)此方法識別圖像對象并產(chǎn)生描述的過(guò)程。
圖6
自然語(yǔ)言識別
自然語(yǔ)言識別一直是一個(gè)非常熱門(mén)的領(lǐng)域，最有名的是蘋(píng)果的Siri，支持資源輸入，調用手機自帶的天氣預報、日常安排、搜索資料等應用，還能夠不斷學(xué)習新的聲音和語(yǔ)調，提供對話(huà)式的應答。微軟的Skype Translator可以實(shí)現中英文之間的實(shí)時(shí)語(yǔ)音翻譯功能，將使得英文和中文普通話(huà)之間的實(shí)時(shí)語(yǔ)音對話(huà)成為現實(shí)。
Skype Translator的運作機制如圖7所示。
圖7
在準備好的數據被錄入機器學(xué)習系統后，機器學(xué)習軟件會(huì )在這些對話(huà)和環(huán)境涉及的單詞中搭建一個(gè)統計模型。當用戶(hù)說(shuō)話(huà)時(shí)，軟件會(huì )在該統計模型中尋找相似的內容，然后應用到預先“學(xué)到”的轉換程序中，將音頻轉換為文本，再將文本轉換成另一種語(yǔ)言。
雖然語(yǔ)音識別一直是近幾十年來(lái)的重要研究課題，但是該技術(shù)的發(fā)展普遍受到錯誤率高、麥克風(fēng)敏感度差異、噪聲環(huán)境等因素的阻礙。將深層神經(jīng)網(wǎng)絡(luò )（DNNs）技術(shù)引入語(yǔ)音識別，極大地降低了錯誤率、提高了可靠性，最終使這項語(yǔ)音翻譯技術(shù)得以廣泛應用。
Artificial Intelligence（人工智能）是人類(lèi)美好的愿望之一。雖然計算機技術(shù)已經(jīng)取得了長(cháng)足的進(jìn)步，但截至目前，還沒(méi)有一臺計算機能夠產(chǎn)生“自我”的意識。的確，在人類(lèi)和大量現有數據的幫助下，計算機可以表現得十分強大，但是離開(kāi)了這兩者，它甚至都不能分辨兩只小動(dòng)物。
深度學(xué)習算法自動(dòng)提取分類(lèi)所需的低層次或者高層次特征。高層次特征是指該特征可以分級（層次）地依賴(lài)其他特征。例如，對于機器視覺(jué)，深度學(xué)習算法從原始圖像去學(xué)習得到它的一個(gè)低層次表達，如邊緣檢測器、小波濾波器等，然后在這些低層次表達的基礎上再建立表達，如這些低層次表達的線(xiàn)性或者非線(xiàn)性組合，然后重復這個(gè)過(guò)程，最后得到一個(gè)高層次的表達。
深度學(xué)習能夠得到更好地表示數據的特征，同時(shí)由于模型的層次、參數很多，容量足夠，因此，模型有能力表示大規模數據。所以對于圖像、語(yǔ)音這種特征不明顯（需要手工設計且很多沒(méi)有直觀(guān)的物理含義）的問(wèn)題，能夠在大規模訓練數據上取得更好的效果。此外，從模式識別特征和分類(lèi)器的角度來(lái)看，深度學(xué)習框架將特征和分類(lèi)器結合到一個(gè)框架中，用數據去學(xué)習特征，在使用中減少了手工設計特征的巨大工作量，因此，不僅效果更好，而且使用起來(lái)也有很多方便之處。
當然，深度學(xué)習本身并不是完美的，也不是解決任何機器學(xué)習問(wèn)題的利器，不應該被放大到一個(gè)無(wú)所不能的程度。
本文主要介紹了機器學(xué)習、數據挖掘以及當前最熱門(mén)的深度學(xué)習。深度學(xué)習可以說(shuō)掀起了人工智能的又一次熱潮，但是大家要清楚地認識到，這離真正的AI（人工智能）還差得很遠。但總的來(lái)說(shuō)，我們離電影中描述的未來(lái)世界更近了一步，不是嗎？
聯(lián)系客服
