機(jī)器學(xué)習(xí)發(fā)展現(xiàn)狀及應(yīng)用的研究

劉崧淏

[摘 要]本文首先介紹了近幾年有關(guān)機(jī)器學(xué)習(xí)的一些熱門事件，例如大為火熱的AlphaGo以及2017年首次舉行的中國人工智能大會（CCAI）。接下來將文章分為3個部分來闡述機(jī)器學(xué)習(xí)：第一部分詳細(xì)介紹機(jī)器學(xué)習(xí)的發(fā)展歷程，包括萌芽-發(fā)展-繁榮三個階段；第二部分著重分析了機(jī)器學(xué)習(xí)的常見方法，有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)；最后介紹了機(jī)器學(xué)習(xí)在各行各業(yè)中的一些具體應(yīng)用。

[關(guān)鍵詞]人工智能；機(jī)器學(xué)習(xí)；強(qiáng)化學(xué)習(xí)；無人駕駛

中圖分類號：S265 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-914X（2018）24-0227-02

1.引言

2016年年初，AlphaGo以4：1戰(zhàn)勝了世界圍棋冠軍李世石，這一大事件瞬間引起了全球?qū)θ斯ぶ悄艿呐d趣。一時間，人們茶余飯后都在圍繞著人工智能這一領(lǐng)域展開。2017年07月22-23號在杭州舉行了中國國內(nèi)級別最高，規(guī)模最大的人工智能大會—中國人工智能大會（CCAI）。大會上匯聚了全球人工智能領(lǐng)域的頂級專家、學(xué)者和產(chǎn)業(yè)界優(yōu)秀人才，圍繞當(dāng)前人工智能熱點話題、核心技術(shù)以及廣泛關(guān)注的科學(xué)問題進(jìn)行深入交流和探討，再一次將人工智能推向了熱潮。

人工智能的主要三大驅(qū)動力：大數(shù)據(jù)，機(jī)器學(xué)習(xí)以及硬件GPU。本文主要從人工智能的算法——機(jī)器學(xué)習(xí)方面來展開論述。機(jī)器學(xué)習(xí)（MachineLearning）的本質(zhì)是基于互聯(lián)網(wǎng)的海量數(shù)據(jù)以及系統(tǒng)強(qiáng)大的并行運(yùn)算能力，讓機(jī)器自主模擬人類學(xué)習(xí)的過程，通過不斷“學(xué)習(xí)”數(shù)據(jù)來做出智能決策行為。

2.機(jī)器學(xué)習(xí)的發(fā)展歷程與相關(guān)要素

2.1 機(jī)器學(xué)習(xí)的發(fā)展歷程

機(jī)器學(xué)習(xí)屬于人工智能中一個較為年輕的分支，可以大致分為以下三個發(fā)展歷程：

第一階段：20世紀(jì)50年代中期—60年代中期，這一時期處于萌芽時期。人們試圖通過軟件編程來操控計算機(jī)完成一系列的邏輯推理功能，進(jìn)而使計算機(jī)具有一定程度上類似人類一樣的智能思考能力。然而這時期計算機(jī)所推理的結(jié)果遠(yuǎn)遠(yuǎn)沒有達(dá)到人們對機(jī)器學(xué)習(xí)的期望。通過進(jìn)一步研究發(fā)現(xiàn)，只具有邏輯推理能力并不能使得機(jī)器智能。研究者們認(rèn)為，使得機(jī)器擁有人工智能的前提還必須是擁有大量的先驗知識[1]。

第二階段：20世紀(jì)60年代中期—80年代中期，這一時期處于發(fā)展時期。人們試圖利用自身思維提取出來的規(guī)則來教會計算機(jī)執(zhí)行決策行為，主流之力便是各式各樣的“專家系統(tǒng)”，然而這些系統(tǒng)總會面臨“知識稀疏”的問題，即面對無窮無盡的知識與信息，人們無法總結(jié)出萬無一失的規(guī)律。因此，讓機(jī)器自主學(xué)習(xí)的設(shè)想自然地浮出水面?；?0世紀(jì)50年代對于神經(jīng)網(wǎng)絡(luò)的研究，人們開始研究如何讓機(jī)器自主學(xué)習(xí)。

第三階段：20世紀(jì)80年代—至今，機(jī)器學(xué)習(xí)達(dá)到了一個繁榮時期。由于這一時期互聯(lián)網(wǎng)大數(shù)據(jù)以及硬件GPU的出現(xiàn)，使得機(jī)器學(xué)習(xí)脫離了瓶頸期。機(jī)器學(xué)習(xí)開始爆炸式發(fā)展，開始成為了一門獨(dú)立熱門學(xué)科并且被應(yīng)用到各個領(lǐng)域。各種機(jī)器學(xué)習(xí)算法不斷涌現(xiàn)，而利用深層次神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)也得到進(jìn)一步發(fā)展。同時，機(jī)器學(xué)習(xí)的蓬勃發(fā)展還促進(jìn)了其他分支的出現(xiàn)，例如模式識別，數(shù)據(jù)挖掘，生物信息學(xué)和自動駕駛等等。

2.2 機(jī)器學(xué)習(xí)的常見方法

機(jī)器學(xué)習(xí)發(fā)展至今，常用的主要有以下三大類：監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)（圖1）。

2.2.1 監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)表示機(jī)器學(xué)習(xí)的數(shù)據(jù)是帶標(biāo)記的，這些標(biāo)記可以包括數(shù)據(jù)類別，數(shù)據(jù)屬性以及特征點位置等等。這些標(biāo)記作為預(yù)期效果，不斷來修正機(jī)器的預(yù)測結(jié)果。具體首先過程是：通過大量帶有標(biāo)記的數(shù)據(jù)來訓(xùn)練機(jī)器，機(jī)器將預(yù)測結(jié)果與期望結(jié)果進(jìn)行比對；之后根據(jù)比對結(jié)果來修改模型中的參數(shù)，再一次輸出預(yù)測結(jié)果；再將預(yù)測結(jié)果與期望結(jié)果進(jìn)行比對……重復(fù)多次直至收斂，最終生成具有一定魯棒性的模型來達(dá)到智能決策的能力。

常見的監(jiān)督學(xué)習(xí)有分類，回歸。分類（classification）是將一些實例數(shù)據(jù)分到合適的類別中，它的預(yù)測結(jié)果是離散的?；貧w（regression）是將數(shù)據(jù)歸到一條“線”上，即為離散數(shù)據(jù)生產(chǎn)擬合曲線，因此其預(yù)測結(jié)果是連續(xù)的。

2.2.2 無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)表示機(jī)器學(xué)習(xí)的數(shù)據(jù)是沒有標(biāo)記的。機(jī)器從無標(biāo)記的數(shù)據(jù)中探索并推斷出潛在的聯(lián)系。常見的無監(jiān)督學(xué)習(xí)有聚類，降維。

在聚類（clustering）工作中，由于事先不知道數(shù)據(jù)類別，因此只能通過分析數(shù)據(jù)樣本在特征空間中的分布，例如基于密度或是基于統(tǒng)計學(xué)概率模型等等，從而將不同數(shù)據(jù)分開，把相似數(shù)據(jù)聚為一類。

降維（dimensionality reduction）是將數(shù)據(jù)的維度降低。例如描述一個西瓜，若只考慮外皮色澤，根蒂，敲聲，紋理，密度以及含糖率這6個屬性，這6個屬性代表了西瓜數(shù)據(jù)的維度為6。進(jìn)一步考慮降維的工作，由于數(shù)據(jù)本身具有龐大的數(shù)量和各種屬性特征，若對全部數(shù)據(jù)信息進(jìn)行分析，將會增加訓(xùn)練的負(fù)擔(dān)和存儲空間。因此可以通過主成分分析等其他方法，考慮主要影響因素，舍棄次要因素，來平衡準(zhǔn)確度與效率。

2.2.3 強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是帶激勵的，具體來說就是，如果機(jī)器行動正確，將施與一定的“正激勵”；如果行動錯誤，也同樣會給出一個懲罰（也可稱為“負(fù)激勵”）。因此在這種情況下，機(jī)器將會考慮如何在一個環(huán)境中行動才能達(dá)到激勵的最大化，具有一定的動態(tài)規(guī)劃思想[2]。例如在貪吃蛇游戲中，貪吃蛇需要不斷吃到“食物”來加分。為了不斷提高分?jǐn)?shù)，貪吃蛇需要考慮在自身位置上如何轉(zhuǎn)向才能吃到“食物”，這種學(xué)習(xí)過程便可理解為是一種強(qiáng)化學(xué)習(xí)。

強(qiáng)化學(xué)習(xí)最為火熱的一個應(yīng)用便是谷歌AlphaGo的升級品—AlphaGo Zero。相較于AlphaGo，AlphaGo Zero舍棄了先驗知識。不再需要人為設(shè)計特征，直接將棋盤上黑白棋子的擺放情況作為原始數(shù)據(jù)輸入到模型中，機(jī)器使用強(qiáng)化學(xué)習(xí)來自我博弈，不斷提升自己最終出色完成下棋。AlphaGo Zero的成功證明了在沒有人類的經(jīng)驗和指導(dǎo)下，深度強(qiáng)化學(xué)習(xí)依然能夠出色完成指定任務(wù)。

3.機(jī)器學(xué)習(xí)的應(yīng)用

由于近20年科技的迅速發(fā)展，機(jī)器學(xué)習(xí)已經(jīng)成為了一門活躍并且充滿生命力的學(xué)科。機(jī)器學(xué)習(xí)具備了一定的解決實際生活問題的能力，通過把機(jī)器學(xué)習(xí)當(dāng)作是一種基礎(chǔ)與服務(wù)技術(shù)，和不同領(lǐng)域進(jìn)行結(jié)合碰撞出火花[3]。而在各行各業(yè)里都少不了機(jī)器學(xué)習(xí)的應(yīng)用。

（1）醫(yī)療行業(yè)

機(jī)器學(xué)習(xí)算法被應(yīng)用到提供醫(yī)療輔助、癌癥檢測和新藥物研制等。廣泛推進(jìn)醫(yī)療智能化，對全球醫(yī)療事業(yè)的發(fā)展有著非常重要的意義[4]。其中最為著名的也是當(dāng)屬IBM的智能機(jī)器人沃森。IBM技術(shù)團(tuán)隊首先將龐大的數(shù)據(jù)信息輸入到沃森中，這個龐大的數(shù)據(jù)庫包括了醫(yī)療論文與報道，臨床指南，藥物使用報告以及上千上萬本患者病歷等。之后利用AI算法進(jìn)行分析處理，從而為醫(yī)生提供醫(yī)療輔助，更高效精準(zhǔn)地進(jìn)行醫(yī)療診斷。

（2）傳媒行業(yè)

通過內(nèi)容傳播機(jī)器人以及品牌傳播機(jī)器人，一鍵生成用戶想要的內(nèi)容，一分鐘內(nèi)可出一萬篇文章，并且進(jìn)行有效的傳播?；跈C(jī)器學(xué)習(xí)搭建的智能媒體平臺，可以通過研究媒體的投遞和發(fā)送規(guī)則，結(jié)合當(dāng)前熱點事件、輿論和公關(guān)營銷內(nèi)容，自動生成用戶想要閱讀的內(nèi)容。并且可以智能地對接主流媒體平臺，自動同步發(fā)送，實現(xiàn)了高效傳播。

（3）汽車行業(yè)

汽車行業(yè)，以自動駕駛為例，谷歌（如圖2）、百度、特斯拉等傳統(tǒng)巨頭紛紛加入其中。自動駕駛是汽車行業(yè)與人工智能、物聯(lián)網(wǎng)等新一代信息技術(shù)深度融合的產(chǎn)物，是當(dāng)前全球交通出行智能化和網(wǎng)聯(lián)化的重要方向。自動駕駛利用傳感器和激光雷達(dá)等感知器采集路況和行人信息，結(jié)合先進(jìn)機(jī)器學(xué)習(xí)算法，不斷優(yōu)化并最終規(guī)劃出最優(yōu)路線以及操控方案。

4.總結(jié)

機(jī)器學(xué)習(xí)作為最近三十年新興起的科研學(xué)科之一，已經(jīng)在現(xiàn)代信息生活各個領(lǐng)域上都有了較為廣泛的應(yīng)用。并且發(fā)展至今，機(jī)器學(xué)習(xí)已經(jīng)衍生出了眾多分支，如數(shù)據(jù)挖掘、深度學(xué)習(xí)、模式識別、機(jī)器人的智能控制、遙感信息安全等。因此，機(jī)器學(xué)習(xí)與各行各業(yè)的結(jié)合，必將引起一番改革大浪潮。

參考文獻(xiàn)

[1] 吳康寧.基于人工智能下的機(jī)器學(xué)習(xí)歷史及展望研究[J].科技尚品.2017（6）：187.

[2] 高陽，陳世福，陸鑫.強(qiáng)化學(xué)習(xí)研究綜述[J].自動化學(xué)報.2004，30（1）：86-100.

[3] 陳春霞.淺析機(jī)器學(xué)習(xí)的發(fā)展與應(yīng)用[J].信息系統(tǒng)工程.2017（8）：99-100.

[4] 孔祥溢與王任直，人工智能及在醫(yī)療領(lǐng)域的應(yīng)用.醫(yī)學(xué)信息學(xué)雜志，2016.37（11）：第1-5頁.

[5] 劉忠寶.機(jī)器學(xué)習(xí)方法在個性化推薦系統(tǒng)中的應(yīng)用[J].情報探索.2016（4）：80-82.