自從OpenAI接連拋出ChatGPT、SORA之后，GenAI（生成式AI）推動著人工智能開始快速進入了大眾的視野，從文本、圖片到視頻，熱度不減，很多AI應用及其軟件APP如雨后春筍般地冒了出來，人工智能是否又會像當初的計算機、互聯網、智能手機等一樣，極大地影響和改變我們的生活和工作？如果答案是肯定的話，那么它最基本的知識和概念，我們就有必要簡單地了解和知曉一些，比如下面所要提到的機器學習（ML：Machine Learning）。
什么是機器學習：定義和示例
機器學習技術
機器學習是人工智能的一個子集，它使系統能夠學習和優化流程，而無需始終如一地進行編程。簡而言之，機器學習使用數據、統計數據和反復試驗來“學習”特定任務，而無需為該任務進行專門編程。
目錄
- 機器學習定義
- 機器學習的類型
- 機器學習示例
- 機器學習的歷史
機器學習定義
機器學習是人工智能的一個重要子領域，它使用無數算法在機器中實現類似人類的學習模式。
什么是機器學習？
機器學習是人工智能的一個子領域，其中系統能夠通過數據、統計數據和試錯來“學習”，來優化流程，并以更快的速度進行創新。機器學習使計算機能夠開發類似人類的學習能力，這使它們能夠解決一些世界上最棘手的問題，從癌癥研究到氣候變化。
大多數計算機程序依靠代碼來告訴它們要執行什么或要保留哪些信息（即廣為人知的顯式知識）。這些知識包含任何易于編寫或記錄的內容，例如教科書、視頻或手冊。通過機器學習，計算機獲得了隱性知識，或者我們從個人經驗和上下文中獲得的知識。這種類型的知識很難通過書面或口頭交流從一個人轉移到另一個人。
面部識別是一種隱性知識。我們能認出一個人的臉，但我們很難準確地描述我們如何或為什么能認出它。我們依靠我們的個人知識庫來連接點，并根據他們的臉立即識別一個人。另一個例子是騎自行車，向別人展示如何騎自行車比解釋它要容易得多。
計算機不再需要依賴數十億行代碼來執行計算。機器學習為計算機提供了隱性知識的力量，使這些機器能夠建立聯系，發現模式，并根據過去學到的知識進行預測。機器學習對隱性知識的使用，使其成為從金融科技到天氣和政府等幾乎所有行業的首選技術。
什么是深度學習？
深度學習是機器學習中的一個子領域，它因其從數據中提取特征的能力而受到關注。深度學習使用人工神經網絡 （ANN：Artificial Neural Networks） 從原始數據中提取更高級別的特征。人工神經網絡雖然與人類大腦有很大不同，但受到人類生物處理信息方式的啟發。計算機所做的學習被認為是“深度”的，因為網絡使用分層來學習和解釋原始信息。
例如，深度學習是圖像處理的重要資產，從電子商務到醫學圖像，無所不包。谷歌正在為其程序配備深度學習功能，以發現圖像中的模式，以便為您搜索的任何內容顯示正確的圖像。如果你搜索一件冬季夾克，谷歌的機器和深度學習將聯手發現圖片中的圖案——尺寸、顏色、形狀、相關品牌名稱——這些圖案顯示了滿足你查詢的相關夾克。
深度學習在放射學、病理學和任何嚴重依賴圖像的醫療領域也遇到了阻力。該技術依靠其隱性知識（通過研究數百萬次其他掃描）立即識別疾病或傷害，從而為醫生和醫院節省時間和錢。
機器學習是如何工作的？
機器學習編譯輸入數據，這些數據可以是從培訓課程或其他來源收集的數據，例如數據集搜索引擎、.gov 網站和 Amazon Web Services 等開放數據注冊表。這些數據的功能與人類先前的經驗相同，為機器學習模型提供歷史信息，以便在做出未來決策時使用。
然后，算法分析這些數據，搜索模式和趨勢，使他們能夠做出準確的預測。通過這種方式，機器學習可以從過去收集洞見，以預測未來發生的事情。通常，團隊可以提供給機器學習軟件的數據集越大，預測就越準確。
這個想法是，機器學習算法應該能夠自己執行這些任務，只需要最少的人為干預。隨著機器學習在不同行業的許多方面實現自動化，就加快了各種流程。
