机器学习允许机器人接管

时代机器学习解决复杂问题可同时头条标题制作 计算机能Go打人或优于他们速度约会更强健计算机和大数据组意味着机器学习已经以远为隐蔽的方式影响我们Google、Netflix和Amazon等在线巨头使用算法构造我们买的东西、我们看的电影和全球经济运作方式化学方面相同概念可帮助开发新药、材料和流程机器学习和它如何工作

机器学习是什么

多数计算机程序(软件)取僵硬定义的一套信息并发回基于特定规则的结果有效选择正确答案举例说,有记录良好的数学计算使用简单算术查找数平方根.我们可以简单用计算机理解的语言写出这些算法中的一种,以便制作出计算平方根的软件片段。

机学习中,计算机并没有明确讲解如何解决手头问题:它只是提供多批`训练数据',内含示例(数)和对应答案(平方根)。期望它学习预测正确答案的一般方法

机器学习和人工智能相同吗

不尽然机器学习有时被视为人工智能分支,但事情比那复杂得多早期机器学习研究是AI研究圈的一部分上世纪90年代 AI和机器学习社区分离当今,许多AI系统大量使用机器学习方法, 所以从某种意义上讲,这两个字段再次拉近关系话虽如此,仍有系统可被视为AI,但不需学习客机自动驾驶权将复杂决策 如何保持平面稳定可用数据 但由于安全原因 个体自动驾驶权不尝试学习更好的飞行方式

为什么会有用

计算正方根很容易教懂,但机器学习让计算机学会如何解决问题 — — 并不容易描述正确程序 — — 例如回答问题“照片中是否有人?? ”计算机科学越发先进,计算机就能学习更多复杂任务和超人从大数候选中选择最优输出

比方说药检计算机用于高通量筛选以确定可能研究对象假设我们想找新药 绑定特定蛋白此前我们需要筛选成千分子-成本昂贵耗时过程取而代之的是,我们可以创建计算机程序预测不同分子绑定性,减少潜在药商数

第一,我们会收集一些数据 分子我们已经知道绑定之后,我们将请求计算机查看我们很容易发现的每一分子的东西(例如可旋转键数和电子调值组数)。最后,我们会告诉计算机,我们想知道绑定近似性使用训练数据 计算机再想出用程序做什么

产生另一个问题:我们必须教计算机以它理解的方式做什么

如何与计算机交谈

可惜我们不能使用语言-机器学习需要信息以数字列表命名,称向量听上去有限,但事实上我们可以为几乎任何东西创建向量举个例子,将黑白相片显示为向量 我们简单想象它 成小方块网格后我们可以告诉计算机 `这个像素90%或0.9暗,这个像素78%/0.78黑等持续到整张图像描述为矢量时,再与培训数据中的其他矢量比较

对任何问题,我们可以想象算法总能正确回答你使用特定向量时称它为'底层函数'机器学习中,计算机被告知使用函数近似值-查找计算结果与底层函数大致相同通过精炼这些结果中哪些正确,结果越发精准亚马逊学如何推荐基于你特殊兴趣的产品

机器接管多久

机器本已比人高性能任务需要识别模式并下结论-甚至在似乎人性化任务中也是如此,例如取优测试秀并嘴唇阅读.面向任何已见者T类启动程序这一切都相当不安先别惊慌目前,我们只能训练机器从高度专用域输入小范围可能的输出(英语文本和酒店照片)。换句话说,机器可以走进酒吧,要求你的衣服、靴子和摩托车远道而来:如果我们真的创建它,它只能做这些事。