图灵汇官网

什么是机器学习？

从翻译应用到自动驾驶汽车，机器学习（ML）在许多重要技术中扮演着关键角色。本课程将介绍机器学习的核心概念。

机器学习提供了一种解决复杂问题、生成新内容的新方法。它可以预测天气、估算行程时间、推荐歌曲、自动补全句子、总结文章以及生成独特的图片。

从根本上讲，机器学习是训练软件（称为模型）进行实用预测或生成内容的过程。例如，如果我们想要开发一个预测降雨的应用，我们可以使用传统的计算方法，也可以选择机器学习方法。传统方法需要复杂的流体力学方程，而机器学习方法则通过大量天气数据训练模型，使其能够识别不同天气模式与降雨量之间的关系。之后，模型可以根据当前天气数据预测降雨量。

机器学习系统的类型

机器学习系统根据其学习方式分为以下几类：

• 监督式学习
• 非监督式学习
• 强化学习
• 生成式 AI

监督式学习

监督式学习模型通过大量带有正确答案的数据进行训练，从而学会数据中元素与正确答案之间的关联。这种模型类似于学生通过练习题来掌握新知识。常见的监督式学习应用场景包括回归和分类。

回归

回归模型用于预测数值。例如，预测降雨量的天气模型就是一个回归模型。其他例子包括预测房价和行程时间。

分类

分类模型用于预测内容属于某个类别的概率。与回归模型不同，分类模型的输出表明内容是否属于特定类别。分类模型分为两类：二元分类和多类分类。

非监督式学习

非监督式学习模型通过不包含正确答案的数据进行训练，目标是从数据中找出有意义的模式。这种方法不需要人为指导，模型必须自行推断规则。常见的非监督式学习方法包括聚类。

聚类不同于分类，因为它不需要预先定义类别。例如，非监督式模型可以通过分析温度数据来聚类天气数据，揭示季节变化。

强化学习

强化学习模型通过在环境中执行操作获得奖励或惩罚来做出预测。强化学习系统生成一种策略，以获得最大化的奖励。这种学习方法常用于训练机器人执行任务，如在房间内行走或训练软件程序玩围棋。

生成式 AI

生成式 AI 是一种可以基于用户输入生成内容的模型。它能够创作新颖的图片、乐曲、笑话，甚至可以总结文章、解释任务步骤或编辑图片。生成式 AI 可以处理多种输入并生成各种类型的输出，如文本、图像、音频和视频。

生成式 AI 通过学习数据中的模式来生成全新的类似数据。为了生成独特且有创意的输出，生成模型通常先使用无监督方法进行训练，再通过监督或强化学习进一步训练，以适应特定任务。生成式 AI 正在快速发展，不断出现新的应用场景，如优化电子商务产品图片。