有人說機(jī)器學(xué)習(xí)時(shí)，你一定覺得很酷，有一種科技感。但你知道什么事機(jī)器學(xué)習(xí)嗎？又是怎么工作的？機(jī)器學(xué)習(xí)(Machine Learning, ML)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。

如果你了解概率論、統(tǒng)計(jì)學(xué)，并且對線性代數(shù)有一定的掌握，那么你肯定能夠掌握機(jī)器學(xué)習(xí)的概念?，F(xiàn)在，再來看看機(jī)器學(xué)習(xí)的內(nèi)部工作。

機(jī)器學(xué)習(xí)的工作原理

機(jī)器學(xué)習(xí)的基本概念建立在這樣一個事實(shí)之上，即我們所認(rèn)為的智能在很大程度上是基于概率的，而非邏輯和推理。

這聽起來很奇怪，也很違反直覺，想想你生活中的各種情況，并試著把它們聯(lián)系起來。

當(dāng)你想從A點(diǎn)到B點(diǎn)，你可能會想到它們之間最快的路線。當(dāng)你玩棋盤游戲時(shí)，你想著哪一步棋能幫你贏?？紤]任何這樣的情況，你會發(fā)現(xiàn)概率在人類的決策過程中扮演著非常重要的角色。

我們再說說計(jì)算機(jī)，我們知道它們很擅長計(jì)算。早在20世紀(jì)50年代，科學(xué)家就認(rèn)識到了這一點(diǎn)。他們明白，有了足夠的數(shù)據(jù)，數(shù)字計(jì)算機(jī)就能很好地估計(jì)概率。不幸的是，對于人工智能的先驅(qū)研究人員來說，這樣一個革命性的想法出現(xiàn)的時(shí)代并不是一個可以充分探索的時(shí)代。計(jì)算機(jī)還沒有強(qiáng)大到足以運(yùn)行這些新奇的想法并接受測試。

即便如此，他們的基本原則是正確的，這些原則構(gòu)成了現(xiàn)代人工智能的基礎(chǔ)。

深度神經(jīng)網(wǎng)絡(luò)

谷歌、臉書和亞馬遜等公司將機(jī)器學(xué)習(xí)應(yīng)用于從客戶那里獲取的所有數(shù)據(jù)。這樣做是為了優(yōu)化用戶體驗(yàn)和首選項(xiàng)。

所有公司都使用的一種特殊的機(jī)器學(xué)習(xí)方法是深度神經(jīng)網(wǎng)絡(luò)。深度神經(jīng)網(wǎng)絡(luò)的概念是基于沃倫·麥卡洛（Warren McCullough）、沃爾特·皮茲（Walter Pitts）和弗蘭克·羅森布拉特(Frank Rosenblatt)在20世紀(jì)50年代提出的與神經(jīng)網(wǎng)絡(luò)相關(guān)的概念。

雖然今天的神經(jīng)網(wǎng)絡(luò)比以前的原始網(wǎng)絡(luò)和形成網(wǎng)絡(luò)復(fù)雜得多，但其主要思想仍然是一樣的。估計(jì)給定概率的最佳方法是將問題分解成離散的、小塊的信息，這些信息是由麥卡洛和皮茲創(chuàng)造的神經(jīng)元。麥卡洛和皮茨的預(yù)言是，如果一組這樣的神經(jīng)元以類似于人腦的方式連接起來，那么就可以建立不同的模型來學(xué)習(xí)不同的東西。

為了理解一個神經(jīng)網(wǎng)絡(luò)，讓我們考慮一張有人臉的圖像?，F(xiàn)在，如果我們有一個初級的深度神經(jīng)網(wǎng)絡(luò)，這個神經(jīng)網(wǎng)絡(luò)會有幾千個節(jié)點(diǎn)。這些數(shù)千個節(jié)點(diǎn)中的每一個都將分層堆疊。

神經(jīng)網(wǎng)絡(luò)第一層的每個節(jié)點(diǎn)首先要找的是一條直線或一條曲線。一旦初步分析完成，神經(jīng)網(wǎng)絡(luò)的第二層將尋找更高級的形狀，如圓形。在第三層，搜索多個參數(shù)，如白色圓圈中的黑色圓圈，這是在深度神經(jīng)網(wǎng)絡(luò)中人眼的識別方式。

當(dāng)算法最終到達(dá)最后一層神經(jīng)元時(shí)，每個神經(jīng)元都能夠識別高級形狀。該算法可以根據(jù)最后一個神經(jīng)元的檢測結(jié)果來判斷人臉的真?zhèn)巍?/p>