姓名：劉帆；學號：20021210609；學院：電子工程學院
轉(zhuǎn)載于：
https://blog.csdn.net/epubit17/article/details/114122796
【嵌牛導讀】從照片中識別出某位友人。對大多數(shù)人來說，就算照片光線不足，或是友人剛理過發(fā)，或是換了新衣服，要認出他來也是輕而易舉的事。但若是要在計算機上編程來解決這個問題，應當如何開始呢？恐怕誰都會毫無頭緒吧。而這類問題正是機器學習所能夠解決的。
【嵌牛鼻子】機器學習，AI
【嵌牛提問】什么是機器學習？它能做什么？它與AI有何關(guān)系？
【嵌牛正文】
傳統(tǒng)上來講，計算機編程指在結(jié)構(gòu)化的數(shù)據(jù)上執(zhí)行明確的程序規(guī)則。軟件開發(fā)人員動手編寫程序，告訴計算機如何對數(shù)據(jù)執(zhí)行一組指令，并輸出預期的結(jié)果，如圖1-1所示。這個過程與稅務申報有些類似：稅單中的每個框都有明確的定義，并且有詳盡的規(guī)則指明如何進行計算。在有的地方，這種計算規(guī)則可能相當復雜。人們在填寫稅單時非常容易犯錯，而這正是計算機程序最擅長的任務。
與傳統(tǒng)的編程范式不同，機器學習不用直接實現(xiàn)算法，而是從樣本數(shù)據(jù)推斷出程序或算法。因此，在應用機器學習技術(shù)時，我們?nèi)匀幌蛴嬎銠C提供數(shù)據(jù)，但不再提供指令，也不再等待預期的輸出，而是向它提供我們所希望的輸出，讓機器自己找到對應的算法。
要構(gòu)建一個計算機程序來識別照片中的友人，可以先獲取許多他的照片，然后用一套算法來分析這個照片集合，并生成一個能夠匹配照片的函數(shù)。如果這一步做得足夠好，生成的函數(shù)甚至可以用來檢驗沒見過的新照片。當然，程序其實并不知道它的目標是什么，它唯一要做的是判斷新圖片與提供給它的原始圖片是否相似。
在這個場景中，提供給機器用來訓練的圖片被稱為訓練數(shù)據(jù)（training data），而圖片中人物的名稱則被稱為標簽（label）。在為一個目標訓練（train）出算法之后，可以用這個算法來預測（predict）新數(shù)據(jù)上的標簽，以進行測試。圖1-2展示了一個示例，并描述了機器學習范式。
機器學習適用于規(guī)則模糊的場景。它擅長解決類似于“等我看到了才知道它是什么”的問題。我們不用直接編寫函數(shù)，而是提供數(shù)據(jù)來指導函數(shù)應該做什么，然后科學地生成與數(shù)據(jù)相匹配的函數(shù)。
在實踐中，通常需要把機器學習和傳統(tǒng)編程結(jié)合起來，才能構(gòu)建出真正有用的應用。例如，對于前面提到的人臉識別應用，我們必須告訴計算機如何查找、加載和轉(zhuǎn)換示例圖像，然后才能對圖像數(shù)據(jù)應用機器學習算法。除此之外，還可能需要手寫一些規(guī)則，例如如何區(qū)分頭部特寫、日落和咖啡拉花。把傳統(tǒng)編程技術(shù)和先進的機器學習算法結(jié)合起來，往往會比只用其中一個要好得多。
1.機器學習與AI的關(guān)系
從廣義上講，AI是指任何讓計算機模仿人類行為的技術(shù)。AI技術(shù)包括很多不同的范疇，例如以下幾種：
(1)邏輯生產(chǎn)系統(tǒng)，應用形式邏輯來分析語句；
(2)專家系統(tǒng)，軟件開發(fā)人員嘗試將人類知識直接編碼到軟件中；
(3)模糊邏輯，定義算法來幫助計算機處理不精確的語句。
這幾個技術(shù)都是基于規(guī)則的，有時我們稱它們經(jīng)典AI或老式AI（Good Old-Fashioned AI，GOFAI）。
機器學習只是人工智能領(lǐng)域的眾多分支領(lǐng)域之一，但如今它可以說是最成功的一個。尤其是深度學習，作為機器學習的一個子領(lǐng)域，它成功地引領(lǐng)了近年來AI世界激動人心的幾次突破，甚至解決了困擾研究界數(shù)十年的問題。在經(jīng)典AI中，研究者分析人類行為，嘗試找到相應的規(guī)則，并編寫成代碼。而機器學習和深度學習解決問題的方式則完全相反：在機器學習里，我們先收集人類行為的樣例，再用數(shù)學與統(tǒng)計學技術(shù)從數(shù)據(jù)中抽取規(guī)則。
深度學習的應用簡直無處不在，以至于研究界常?；煊肁I和深度學習這兩個詞語。在本書中，為了避免混淆，我們用AI這個詞來表示用計算機模仿人類行為的一般問題，用機器學習或深度學習來特指從樣例中抽取算法的數(shù)學技術(shù)。
2.機器學習能做什么，不能做什么
機器學習是一種專門的技術(shù)。它不能用來更新數(shù)據(jù)庫記錄，也不能用來呈現(xiàn)用戶界面。在下面幾種情形中，應當優(yōu)先選擇傳統(tǒng)編程來解決問題。
(1)用傳統(tǒng)算法就能夠直接解決問題。如果可以直接編寫代碼來解決問題，那么與機器學習相比，傳統(tǒng)算法的理解、維護、測試和調(diào)試將更加容易。
(2)期望程序準確無誤。所有復雜的軟件都會出錯。在傳統(tǒng)的軟件工程中，我們可以系統(tǒng)地識別和修復bug，然而在機器學習中則并不總是如此。我們可以想辦法改進系統(tǒng)，但若是過分專注于個別錯誤，往往會導致整個系統(tǒng)變得更糟。
(3)簡單的啟發(fā)式規(guī)則已經(jīng)夠好了。如果用幾行代碼就能夠?qū)崿F(xiàn)一個足夠好的規(guī)則，那么最好安于現(xiàn)狀。這種簡單的啟發(fā)式規(guī)則如果實現(xiàn)得足夠清晰，就會非常易于理解和維護。而機器學習生成的函數(shù)卻仿佛霧里看花，如果要修改更新，還需要再單獨執(zhí)行一遍訓練過程。相反地，如果需要維護一整套復雜的規(guī)則，那么用機器學習代替?zhèn)鹘y(tǒng)編程就可能是個很好的選擇了。
實際上，有些問題用傳統(tǒng)編程能夠解決，但如果對問題稍作變化，就可能連機器學習也難以解決了。這兩類問題的區(qū)別往往非常細微。例如，前面討論的圖像中人臉識別的問題與給人臉標記名稱的問題。又如，檢測文本所使用的語言并不難解決，但如果想將文本翻譯成其他指定的語言，其難度就會有天壤之別。
當問題的復雜度非常高時，人們往往還是傾向于使用傳統(tǒng)編程解決，即使機器學習可能更有用。在面對信息密集、錯綜復雜的場景時，例如在宏觀經(jīng)濟學、股票市場預測和政治領(lǐng)域中，人們通常傾向于尋求經(jīng)驗法則和規(guī)則表述。但實際上機器學習的發(fā)現(xiàn)往往能夠提供靈感，從而大大幫助這些流程管理人員或?qū)＜覀兊闹庇X判斷。真實世界的數(shù)據(jù)往往比預想中更有結(jié)構(gòu)。在很多領(lǐng)域里，我們才剛剛開始感受到自動化與增強機器學習發(fā)展所帶來的好處。
本文摘自《深度學習與圍棋》
本書通過教讀者構(gòu)建一個圍棋機器人來介紹深度學習技術(shù)。隨著閱讀的深入，讀者可以通過Python深度學習庫Keras采用更復雜的訓練方法和策略。讀者可以欣賞自己的機器人掌握圍棋技藝，并找出將學到的深度學習技術(shù)應用到其他廣泛的場景中的方法。
本書主要內(nèi)容
● 構(gòu)建一個游戲 AI，并教會它自我改進。
● 用深度學習增強經(jīng)典游戲 AI 系統(tǒng)。
● 實現(xiàn)深度學習的神經(jīng)網(wǎng)絡。
要閱讀本書，讀者只需具備基本的Python技巧和高中水平的數(shù)學知識，而不需要任何深度學習經(jīng)驗。
