机器学习开发:创建智能软件机器人

披露: 您的支持有助于保持网站的正常运行!我们会为此页面上推荐的某些服务收取推荐费.


机器学习是计算机科学的一个领域,它研究计算机的自主学习能力,而无需对其进行明确的编程。机器学习用于各种计算场景,这些场景由于不可预测性而无法编写显式算法,例如,在垃圾邮件过滤,数据挖掘和分析,OCR,恶意软件检测,运动跟踪和模式识别中.

历史简介

在AI的早期,科学家感兴趣的是使机器从传入的数据中“学习”。这些早期的机器学习方法使用了各种符号方法和神经网络,但是对基于逻辑的,基于知识的方法的日益重视导致了AI和机器学习之间的分裂。.

机器学习从对人工智能开发的追求中发展而来,并在1990年代初作为计算机科学的一个独立领域而受到欢迎。机器学习的重点已从从AI继承的符号方法转向使用统计方法和模型以及概率论来解决实际问题。机器学习极大地受益于数字化数据可用性的提高以及通过互联网分发数据(例如“大数据”)的可能性.

机器学习理论与方法

“学习”机器的核心目标是从经验中总结出来。实际上,这是学习机依靠其学习数据集准确执行以前看不见的任务的能力.

机器学习任务通常根据任务的性质和学习信号分为三大类:

  • 监督学习-向学习机提供示例输入及其结果输出。目标是学习将输入映射到输出的通用规则.
  • 无监督学习-学习机可以自行尝试在输入中查找结构。无监督学习本身就是一个目标.
  • 强化学习-机器与动态环境互动,必须在该环境中执行已定义的任务,例如,自动驾驶汽车。为学习机提供任务期间的奖励或惩罚方面的反馈.

设计了许多机器学习概念或算法来解决特定问题或任务。列表很广泛,因此我们仅列举几个概念:决策树学习,关联树学习,深度学习,归纳逻辑编程,聚类,表示学习,相似性和度量学习,基于规则的机器学习等等.

机器学习还提出了许多道德问题。学习机使用数据集获取信息并做出决策,如果这些数据集存在偏差,则这些偏差会在学习机运行期间显示出来。负责任且公正的数据收集是机器学习的关键部分.

机器学习资源

深入学习机器学习需要许多先决条件。您应该具有计算机科学,数学或统计学的背景,并且显然,您将需要对技术和编程有一个全面的了解.

在线提供了大量课程和学习资源,我们列举了以下几种:

  • YouTube上Stanford课程229中吴安德(Andrew Ng)的机器学习讲座的集合,很好地介绍了机器学习和统计模式识别.
  • 机器学习入门是Udacity.com上的免费在线课程。本课程将教您如何提取和识别最能代表您的数据的有用功能,一些最重要的机器学习算法,以及如何评估机器学习算法的性能。需要用户注册.
  • Google的深度学习是Udacity.com托管的Google免费的深度学习课程。估计大约需要三个月才能完成,每周工作六小时。显然,它不是绝对的初学者,而是旨在帮助老练的工程师和数据科学家掌握深度学习以及Google的TensorFlow技术。需要用户注册.

另外,您可以尝试试验一些公开的大型数据集,并检查您的理论是否在实践中可行:

  • 美国政府数据
  • 旧金山市数据
  • Reddit数据集

机器学习书籍

机器学习书籍往往很受欢迎,您会发现其中有很多印刷书籍。有些非常好,但是我们建议您先浏览在线资源,然后搜索您感兴趣的特定算法或方法.

如果您仍然喜欢松脆的纸张皱纹,请阅读以下几本机器学习书籍:

  • 凯文·P·墨菲(Kevin P Murphy)着《机器学习:概率论》(2012年)基于统一的概率方法,对机器学习领域进行了全面而独立的介绍。内容涵盖广度和深度,提供有关概率,优化和线性代数等主题的必要背景材料,以及对该领域最新动态的讨论.
  • Christopher M Bishop的模式识别和机器学习(2007)提出了近似推理算法,该算法可在无法给出精确答案的情况下提供快速近似答案。不会假定以前具有模式识别或机器学习概念的知识.
  • 所有统计资料:Larry Wasserman撰写的《统计推断简明课程》(2004年)涵盖了理解ML概念所需的所有统计信息主题。实际上,这本书本身对许多典型的ML方法(例如回归和分类)进行了很好的介绍。.
  • Hastie,Tibshirani和Friedman撰写的《统计学习的要素:数据挖掘,推理和预测》(2016年)对于统计学家以及对科学或行业中的数据挖掘感兴趣的任何人都是宝贵的资源。本书涵盖范围广泛,从监督学习(预测)到无监督学习.

结论

机器学习不再是一种理论研究,也不是计算机科学的一个特殊领域,只为大学实验室所用。它开始成熟,用于机器学习的现实世界应用程序的数量不断增加.

尽管这听起来令人鼓舞,但应注意的是,机器学习的使用通常仅限于某些特定领域,从纯粹的业务角度来看,它绝不是主流。换句话说,在其他地方可以赚更多的钱,并且开发人员倾向于专注于可以相对轻松地获利的技能.

但是,随着行业拥抱机器学习,开发人员将不得不跟上。这并不意味着他们将必须成为开发机器学习新方法的专家,而是可以要求他们将第三方机器学习技术应用于其产品和服务。.

进一步阅读和资源

我们有更多与编码和开发有关的指南,教程和信息图:

  • Prolog资源:该语言是专门为处理语言而开发的.
  • Lisp:最早的高级语言之一,在AI编程中非常重要。查看有关Lisp变体的文章:AutoLISP,Clojure,Common Lisp,Emacs Lisp和Scheme.
  • 如何避免爱上聊天机器人:尽管标题俗气,但此信息图提供了交谈计算机的悠久历史.

超级计算机正在塑造人类的未来

想知道AI真正在哪里起飞吗?查看我们的信息图,“超级计算机正在塑造人类的未来”

超级计算机正在塑造人类的未来
超级计算机正在塑造人类的未来

Jeffrey Wilson Administrator
Sorry! The Author has not filled his profile.
follow me