本文已使用 Google Cloud Translation API 自动翻译。
某些文档最好以原文阅读。
机器学习 (ML) 是一种人工智能 (AI),它使计算机无需明确编程即可从数据和经验中学习。它是 AI 的一个子集,专注于开发可以访问数据并使用数据进行自我学习的计算机程序。机器学习算法用于各种应用,例如数据挖掘、自然语言处理、图像识别和机器人技术。
ML 的概念自 1950 年代就已经存在,当时艾伦图灵提出了机器可以从其环境中学习的想法。 1959 年,Arthur Samuel 编写了第一个 ML 程序,这是一个下跳棋的程序。在 1960 年代,ML 研究主要集中在符号方法上,它使用手工编码的规则来做出决策。在 20 世纪 80 年代,ML 研究转向神经网络,它使用统计模型进行预测。在 1990 年代,ML 研究转向更复杂的算法,例如支持向量机和决策树。在 2000 年代,ML 研究转向深度学习,它使用大型神经网络进行预测。
ML 是一种 AI,它使计算机无需明确编程即可从数据和经验中学习。它是 AI 的一个子集,专注于开发可以访问数据并使用数据进行自我学习的计算机程序。机器学习算法用于各种应用,例如数据挖掘、自然语言处理、图像识别和机器人技术。
机器学习算法分为两类:监督学习和非监督学习。当数据被标记并且目标是预测给定输入的输出时,将使用监督学习算法。当数据未标记且目标是发现数据中的模式时,将使用无监督学习算法。
ML 算法旨在从数据和经验中学习,而无需明确编程。他们能够根据给定的数据做出预测。 ML 算法还能够检测人类可能无法检测到的数据模式。
机器学习算法还能够适应新的数据和体验。这意味着他们可以从新数据和经验中学习,并利用这些知识做出更好的预测。
ML 的一个常见示例是垃圾邮件过滤器。垃圾邮件过滤器是一种使用 ML 算法检测电子邮件中的模式并将其分类为垃圾邮件或非垃圾邮件的程序。 ML 算法在已标记为垃圾邮件或非垃圾邮件的电子邮件数据集上进行训练。然后,该算法使用此数据来学习如何将电子邮件分类为垃圾邮件或非垃圾邮件。
ML 的主要优点是它使计算机无需明确编程即可从数据和经验中学习。这意味着无需大量手动编程即可使用 ML 算法进行预测。
ML 的主要缺点是很难解释算法的结果。这可能让人难以理解为什么算法会做出某个决定。
#争议
机器学习算法因其可能使偏见永久化而受到批评。这是因为 ML 算法可以从包含偏差的数据中学习,这可能会导致有偏差的决策。例如,在简历数据集上训练的 ML 算法可以学习偏爱某些性别或种族。
机器学习算法与自然语言处理 (NLP) 和计算机视觉等其他人工智能技术相关。 NLP 是一种使计算机能够理解和生成人类语言的人工智能。计算机视觉是一种人工智能,可以让计算机识别和理解图像。
机器学习算法也用于机器人技术。机器人技术是一个专注于机器人设计和建造的工程领域。 ML 算法可用于使机器人能够从其环境中学习并做出决策。
机器学习算法也用于自动驾驶汽车。自动驾驶汽车是无需人类驾驶员即可自行驾驶的车辆。 ML 算法可用于使自动驾驶汽车能够根据其环境做出决策。