背景

上一期已經講完了本系列所有涉及的數學部分，本期將開始給大家搭建機器學習及神經網絡的概念框架。

相信感興趣的朋友，會覺得機器學習有很多名詞，有很多疑問：

• 什麼是機器學習，機器學習學的是什麼呢？
• 監督學習與非監督學習，到底是什麼呢？
• 深度學習是什麼？什麼是深度？

本篇將對概念進行一個初步的梳理，和幾個簡單的例子。在看完此篇之後，會對機器學習、監督與非監督學習、深度學習等概念有一個初步的認識。

插一句，關於名詞和概念。 概念和名詞可以方便大家溝通與交流。 但是名字也不那麼重要，因為叫A、叫B都一樣，只是一個約定俗成的東西。所以我自己的看法是，從實踐出來，儘量瞭解但不糾結。因為，在實踐一段時間後，對概念就自然瞭解了。

什麼是機器學習

我在剛開始學習的時候，也經常產生這些疑問：

• 什麼是機器學習？
• 它學的是什麼？
• 它怎麼學的呢？
• 機器學習有什麼不同呢？

要回答這些問題，需要設置一個問題的場景或者應用場景。還是用我之前的文章“機器學習的hello world”的例子，我們的任務是讓機器學習 識別圖片中的數字，如下圖，我們可以看出來是數字 1.

那麼這個任務是什麼呢？ 簡單來說就是，輸入一張圖片，輸出一個數字1. 而從第一期可以知道，圖片可以用一個Matrix矩陣來表示。

那麼機器學習學的是什麼呢？ 這個其實是一個開放性的問題，我自己個人的理解是：

人類學習

• 大家可以回想下，人類做判斷的時候，我們會說這個圖片看起肯定是1。 但是下面幾個圖片，實際上就不那麼明顯了，人類的判斷會是看起來大概是4，又有點像9，不過感覺更像4一點；
• 還是需要回到人類學習的過程。人類學習有兩個因素，1. 不同的數字有自己的結構，而且相差都比較大 2. 人類學習過程中，經常看到1和不是1的數字，有大量的樣本

機器學習

• 對於機器來說，判斷就變成了一個概率計算的過程，計算出圖片對應數字的可能性。上面那個1的圖，可能超過99%的概率是1；下面的圖可能就不那麼明顯了；
• 同樣，機器學習的過程也有兩個因素。 因為圖片是以數字的形式展現的，那麼圖片結構就會反應在數字上。機器學習的是這些數字的結構。另外，機器學習也需要大量的樣本。

機器學習與傳統的算法或者程序有什麼不同呢？以下是個人觀點。

自主性.

傳統程序是典型的計算機思維，需要人來考慮各種場景、各種邏輯判斷，也就是說傳統程序需要人來給出邏輯判斷和清晰的定義。但是現實中很多問題，非常難給出清晰的定義。如下圖，我們要判斷一張圖片是不是貓咪，這種問題對於人類很簡單，但是對於機器很難。難在給不出定義，沒有嚴格的邏輯判斷。

因為貓可以有不同的形態、不同的顏色、不同的坐姿、不同的背景、不同的個數、不同的品種。。。等等等，這個是沒辦法窮舉的。所以，以傳統方法是沒辦法很好的做到判斷是不是貓

那麼，這個時候以類似上面的數字識別的例子，“自主”學習什麼是貓 才使得圖片識別變得可行。

模型的重要性或者神經網絡框架的重要性

傳統的重要性在於邏輯判斷，軟件框架等等方面。那麼現在如果將這部分邏輯判斷，讓機器自己去發現。人類在其中的作用在哪裡呢？

我個人覺得，在於模型的運用和改進。 舉個例子，圖片識別可以用傳統的神經網絡，但是對於 語言，這種明顯帶有順序的例子，那麼就需要使用RNN循環神經網絡。這些後面都會帶來

易學或者容易入門

傳統程序，如果你要達到一個世界領先的水平，需要很多很多資源。但是對於機器學習，如果知道對方應用的是什麼類型的模型框架，並且你也有一定的原始數據，你也可以做出一個很優秀的模型。 因為，就像之前提到的，中間的邏輯判斷、學習的過程都交給機器了。那麼，如果你有模型框架，而且你有數據，剩下的交給機器就好了。你也做出來非常優秀、先進的模型

對於這個話題，我後續會帶來。前期也有很多篇關於這個的文章，比如第一篇和NLP的第四期和“機器學習的hello world”

監督學習vs非監督學習

上一部分已經大概解釋了機器學習的概念。監督學習與非監督學習就相對簡單很多。

監督與非監督學習的差異就在於，是否有對應的標籤數據。還是以上面的例子來說，可以對於這種圖片我們能面對兩種任務：

任務1

我們有60000個類似下面的樣本，每個樣本包含（X，Y）X代表著圖片對應的矩陣，Y代表著真實的數字，下圖就是數字1.

我們的任務是通過對60000樣本的學習，能夠對新的樣本做出判斷

任務2

我們有60000個類似下面的樣本，每個樣本只有一個X，X代表著圖片對應的矩陣。 我們沒有Y

我們的任務是對60000個樣本進行分類 0～9

監督學習與非監督學習的區別就是在於，我們是否有Y，即標籤。

深度學習

深度學習，這個詞聽起來挺深奧的。 其實，最簡單的解釋就是，當我們應用神經網絡時，有運用多層神經網絡，有運用不同的神經元。

下圖是一個CNN（卷積神經網絡）多用於圖片識別。大家能看來非常複雜。

本文章，第一部分，已經提到，機器學習的重點在於模型的建立。不同複雜程度的模型，可以應對不同的問題。 而深度學習是一個比較寬泛的概念，最簡單的理解就是神經網絡有很多層。 但是其核心是，該神經網絡的複雜程度 和 特徵 能夠適應該問題的數據特徵。

下期預告

本期稍微給大家講解了下 機器學習的一些概念。但是對概念的理解，肯定是要在實踐中生成的。 後續會給大家帶來更多的例子。

後續會給大家帶來，神經網絡的框架和訓練等等。

感興趣的朋友，請關注下～

閱讀更多 繁林林與機器學習 的文章

關鍵字: 數學 技術 概念