2025-01-03 科技 0
导语：机器学习方法本质上是人类认知方式的新世界，是人类的未来。工业解放了人类的体力，以机器学习技术逐步解锁的人工智能将解放人类的脑力。这不是技术层面上的进步，而是从根本上改变人类认知世界的方式。 一、机器学习的本质是什么 长久以来，人类对事物的认知经由三个步骤：原始数据——专业知识/经验常识——认知。长久以来，人类对事物的认知经由三个步骤：原始数据——专业知识/经验常识——认知。 面对同样的原始数据(数据，仪表指数，社会现象等)，拥有不同知识的人将得出不同的认知;同样，拥有相同知识的人，面对没有数据、有少量数据、有大量数据以及有充分数据等不同情况时，也将得出不同的认知(信息均等博弈，信息不对称博弈)。 那么究竟是知识重要还是数据重要?在人类历史很长一段时间内，无疑是知识的拥有者占据了上风。而机器学习方法的出现，则将这个趋势彻底扭转。或许，“知识”未来将一文不值，而“数据”，才是价值连城。 机器学习的本质，就在于建立了(原始数据——认知)之间的直接映射，跳出了“知识”的束缚。从此，人类的认知方式改天换地。因为，从此我们或许再也不需要那冗桎的“知识”。 二、机器学习可以这样分类 (一)基于学习方法的分类 (1)归纳学习 符号归纳学习：典型的符号归纳学习有示例学习、决策树学习。 函数归纳学习(发现学习)：典型的函数归纳学习有神经网络学习、示例学习、发现学习、统计学习。 (2)演绎学习 (3)类比学习：典型的类比学习有案例(范例)学习。 (4)分析学习：典型的分析学习有解释学习、宏操作学习。 (二)基于学习方式的分类 (1)监督学习(有导师学习)：输入数据中有导师信号，以概率函数、代数函数或人工神经网络为基函数模型，采用迭代计算方法，学习结果为函数。 (2)无监督学习(无导师学习)：输入数据中无导师信号，采用聚类方法，学习结果为类别。典型的无导师学习有发现学习、聚类、竞争学习等。 (3)强化学习(增强学习)：以环境反馈(奖/惩信号)作为输入，以统计和动态规划技术为指导的一种学习方法。 (三)基于数据形式的分类 (1)结构化学习：以结构化数据为输入，以数值计算或符号推演为方法。典型的结构化学习有神经网络学习、统计学习、决策树学习、规则学习。 (2)非结构化学习：以非结构化数据为输入，典型的非结构化学习有类比学习案例学习、解释学习、文本挖掘、图像挖掘、Web挖掘等。 (四)基于学习目标的分类 (1)概念学习：学习的目标和结果为概念，或者说是为了获得概念的学习。典型的概念学习主要有示例学习。 (2)规则学习：学习的目标和结果为规则，或者为了获得规则的学习。典型规则学习主要有决策树学习。 (3)函数学习：学习的目标和结果为函数，或者说是为了获得函数的学习。典型函数学习主要有神经网络学习。 (4)类别学习：学习的目标和结果为对象类，或者说是为了获得类别的学习。典型类别学习主要有聚类分析。 (5)贝叶斯网络学习：学习的目标和结果是贝叶斯网络，或者说是为了获得贝叶斯网络的一种学习。其又可分为结构学习和多数学习。
