機器學習是人工智能（AI）的子集。它專注于訓練計算機，以從數據中學習并根據經驗進行改進，而不是為此進行顯式編程。在機器學習中，對算法進行訓練，以查找大型數據集中的模式和相關性，并根據該分析做出最佳決策和預測。機器學習應用程序會隨著使用而改進，并且隨著它們能夠訪問的數據越來越多而變得更加準確。機器學習的應用無處不在-在我們的家中，我們的購物車，我們的娛樂媒體和我們的醫療保健中。

人工智能和機器學習之間的關系圖

什么是神經網絡？
在生物大腦中的神經元上建立了一個人工神經網絡（ANN）。人工神經元稱為節點，并以多層形式聚集在一起，并并行運行。當人工神經元接收到數字信號時，它將對其進行處理并向與之連接的其他神經元發出信號。就像在人腦中一樣，神經強化可以改善模式識別，專業知識和整體學習能力。

什么是深度學習？
這種機器學習被稱為“深度學習”，因為它包括神經網絡的許多層以及大量復雜而分散的數據。為了實現深度學習，該系統與網絡中的多個層配合使用，提取出越來越高級的輸出。例如，用于處理自然圖像并尋找Gloriosa雛菊的深度學習系統將在第一層識別植物。當它在神經層中移動時，它將識別出花朵，然后是雛菊，最后是Gloriosa雛菊。深度學習應用的示例包括語音識別，圖像分類和藥物分析。

機器學習如何工作？
機器學習由使用各種算法技術的不同類型的機器學習模型組成。根據數據的性質和期望的結果，可以使用以下四種學習模型之一：有監督，無監督，半監督或增強。在每個模型中，相對于使用中的數據集和預期結果，可以應用一種或多種算法技術。機器學習算法的基本目的是對事物進行分類，查找模式，預測結果并做出明智的決策。當涉及復雜且更不可預測的數據時，可以一次使用一種算法，也可以組合使用這些算法以達到最佳的準確性。

機器學習過程如何工作

什么是監督學習？
監督學習是四個機器學習模型中的第一個。在監督學習算法中，機器是通過示例進行教學的。監督學習模型由“輸入”和“輸出”數據對組成，其中輸出標記有所需的值。例如，假設目標是讓機器分辨雛菊和三色堇之間的區別。一個二進制輸入數據對包括一個雛菊圖像和一個三色堇圖像。該特定對的理想結果是選擇雛菊，因此它將被預先標識為正確的結果。

通過一種算法，系統會隨著時間的推移編譯所有這些訓練數據，并開始確定相關的相似性，差異和其他邏輯點-直到它可以完全自己預測雛菊或三色堇問題的答案為止。這相當于給孩子一個答案鍵來解決一系列問題，然后要求他們展示他們的工作并解釋他們的邏輯。我們每天與之交互的許多應用程序中都使用了監督學習模型，例如產品的推薦引擎和流量分析應用程序（例如Waze），它們預測了一天中不同時間的最快路線。

什么是無監督學習？
無監督學習是四種機器學習模型中的第二種。在無監督學習模型中，沒有答案鍵。機器研究輸入的數據（其中許多是未標記和非結構化的），并開始使用所有相關的可訪問數據來識別模式和相關性。在許多方面，無監督學習都以人類如何觀察世界為模型。我們使用直覺和經驗將事物組合在一起。隨著我們遇到越來越多的事物示例，我們對事物進行分類和識別的能力變得越來越準確。對于機器，“經驗”是由輸入的數據量和可用的數據量定義的。無監督學習應用的常見示例包括面部識別，基因序列分析，市場研究和網絡安全。

什么是半監督學習？
半監督學習是四種機器學習模型中的第三種。在理想情況下，所有數據在輸入到系統之前都將進行結構化和標記。但這顯然不可行，因此，當存在大量原始的，非結構化的數據時，半監督學習成為可行的解決方案。該模型包括輸入少量標記數據以擴充未標記數據集。從本質上講，標記的數據起著使系統運行的作用，并且可以大大提高學習速度和準確性。半監督學習算法指示機器分析標記數據的相關屬性，以將其應用于未標記數據。
正如本MIT Press研究論文中深入探討的那樣但是，存在與該模型相關的風險，其中標記的數據中的缺陷會被系統獲悉并復制。最成功地使用半監督學習的公司，請確保已制定最佳實踐協議。半監督學習用于語音和語言分析，復雜醫學研究（例如蛋白質分類）和高級欺詐檢測。

什么是強化學習？
強化學習是第四種機器學習模型。在監督學習中，機器會獲得答案鍵并通過查找所有正確結果之間的相關性來學習。強化學習模型不包括答案鍵，而是輸入一組允許的動作，規則和潛在的最終狀態。當算法的期望目標是固定的或二進制的時，機器可以通過示例學習。但是，在期望的結果是可變的情況下，系統必須通過經驗和獎勵來學習。在強化學習模型中，“獎勵”是數字，并作為系統尋求收集的內容編程到算法中。
在許多方面，該模型類似于教別人如何下棋。當然，不可能試圖向他們展示所有可能的舉動。取而代之的是，您解釋規則，然后它們通過實踐來增強技能。獎勵的形式不僅是贏得比賽，還包括獲得對手的棋子。強化學習的應用包括針對在線廣告，計算機游戲開發和高風險股票市場交易的買方的自動價格競標。

機器學習挑戰
數據科學家和哈佛大學畢業生泰勒·維甘（Tyler Vigan）在他的《虛假關聯》一書中指出：“并非所有的關聯都表明潛在的因果關系。” 為了說明這一點，他提供了一張圖表，顯示了人造黃油消費量與緬因州的離婚率之間很明顯的相關性。當然，此圖表旨在說明一個幽默點。但是，更重要的是，機器學習應用程序容易受到人為和算法偏見和錯誤的影響。而且由于其學習和適應的傾向，錯誤和虛假相關性可以在整個神經網絡中快速傳播和污染結果。