機(jī)器學(xué)習(xí)的發(fā)展史及應(yīng)用前景

詹騏源

摘 要 隨著“人工智能”技術(shù)的發(fā)展，人們開(kāi)始越來(lái)越多地研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為，來(lái)獲取知識(shí)或技能。機(jī)器學(xué)習(xí)作為實(shí)現(xiàn)“人工智能”的一種方法，文章對(duì)其從淺層學(xué)習(xí)到深度學(xué)習(xí)的發(fā)展歷程進(jìn)行了總結(jié)與梳理，簡(jiǎn)要分析了三類(lèi)機(jī)器學(xué)習(xí)模式和決策樹(shù)算法、K最近鄰算法、樸素貝葉斯算法等機(jī)器學(xué)習(xí)的算法理論與應(yīng)用，并提出了展望。

關(guān)鍵詞 機(jī)器學(xué)習(xí)；發(fā)展史；應(yīng)用

中圖分類(lèi)號(hào) TP2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2018）222-0138-02

自阿爾法狗擊敗世界圍棋冠軍柯杰后，“人工智能”一詞在社會(huì)和生活中的熱度不斷升高。隨著人工智能概念的普及，人們不止一次聽(tīng)說(shuō)過(guò)“機(jī)器學(xué)習(xí)”這個(gè)詞，而實(shí)際上，“機(jī)器學(xué)習(xí)”和人工智能仍有本質(zhì)差別[ 1 ]。從嚴(yán)格意義上講，阿爾法狗的誕生更多是歸功于機(jī)器學(xué)習(xí)這一領(lǐng)域。

那么，機(jī)器學(xué)習(xí)究竟是指什么呢？它在生活中被應(yīng)用的實(shí)例又有哪些呢？其實(shí)，“機(jī)器學(xué)習(xí)”是一種方法，不同于人工智能，它的目標(biāo)并不是讓機(jī)器獲得和人類(lèi)一樣的思考能力，而是使計(jì)算機(jī)擁有在沒(méi)有被明確編程情況下學(xué)習(xí)的能力[2]。通俗地講也就是通過(guò)算法使得機(jī)器從大量數(shù)據(jù)中學(xué)習(xí)規(guī)律，從而擁有對(duì)新樣本分析和研究的能力。而我們?nèi)粘Ｉ钪薪佑|的Siri、面部識(shí)別等功能都是機(jī)器學(xué)習(xí)進(jìn)步的結(jié)果。

1 機(jī)器學(xué)習(xí)的發(fā)展史

“機(jī)器學(xué)習(xí)”的發(fā)展并不是一帆風(fēng)順的，它的起源可以追溯到1949年赫布理論的誕生[ 3 ]。它在20世紀(jì)70年代曾陷入了瓶頸期，而后大數(shù)據(jù)時(shí)代開(kāi)始，機(jī)器學(xué)習(xí)也在大數(shù)據(jù)的支持下復(fù)興。因此我們可以大致將它的理念和運(yùn)作模式從大數(shù)據(jù)時(shí)代前后分為淺層學(xué)習(xí)和深度學(xué)習(xí)。

1）小數(shù)據(jù)時(shí)代（淺層學(xué)習(xí)）。1949年，Donald Hebb 提出的赫布理論[4]解釋了學(xué)習(xí)過(guò)程中大腦神經(jīng)元所發(fā)生的變化。赫布理論的誕生標(biāo)志著機(jī)器學(xué)習(xí)領(lǐng)域邁出了第一步。1952年被譽(yù)為“機(jī)器學(xué)習(xí)之父”的Arthur Samuel設(shè)計(jì)了一款西洋跳棋程序。這個(gè)程序幫助機(jī)器觀察棋子的走位并構(gòu)建新的模型以提高自己的下棋技巧。同時(shí)，IBM首次定義并解釋了“機(jī)器學(xué)習(xí)”，將其非正式定義為“在不直接針對(duì)問(wèn)題進(jìn)行編程的情況下，賦予計(jì)算機(jī)學(xué)習(xí)能力的一個(gè)研究領(lǐng)域”。1957年Rosenblatt發(fā)明了感知器模型[5]，這種模型被認(rèn)為是機(jī)器學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)中較為典型的算法。而3年后Widrow提出了 Delta學(xué)習(xí)規(guī)則，也就是差量學(xué)習(xí)規(guī)則，即如今的最小二乘問(wèn)題。這種學(xué)習(xí)規(guī)則隨即被應(yīng)用到了感知器模型中，創(chuàng)建出了更精確的線(xiàn)性分類(lèi)器。隨后“機(jī)器學(xué)習(xí)”的發(fā)展出現(xiàn)了瓶頸。在1969年，Minsky提出了異域問(wèn)題，指出了感知器的本質(zhì)缺陷——面對(duì)線(xiàn)性不可分問(wèn)題時(shí)的無(wú)力，即當(dāng)空間內(nèi)的點(diǎn)無(wú)法被直線(xiàn)分類(lèi)時(shí)，感知器便會(huì)束手無(wú)措。盡管1970年Linnainmaa首次提出了著名的BP算法以解決此問(wèn)題，可當(dāng)時(shí)并沒(méi)有引起重視。直到80年代末此算法才開(kāi)始被接納使用，并給機(jī)器學(xué)習(xí)帶來(lái)了希望。人們發(fā)現(xiàn)，BP算法可以幫助機(jī)器通過(guò)大量數(shù)據(jù)統(tǒng)計(jì)整理規(guī)律從而對(duì)未知的事件作出推測(cè)。這時(shí)候的感知機(jī)只是種含有一層隱層節(jié)點(diǎn)的淺層模型，這個(gè)時(shí)代的機(jī)器學(xué)習(xí)也因而得名——淺層學(xué)習(xí)。到了90年代，淺層學(xué)習(xí)進(jìn)入了黃金時(shí)代，各種各樣的淺層學(xué)習(xí)模型被相繼提出，這些模型大多數(shù)在實(shí)際運(yùn)用中都取得了巨大的成功。

2）大數(shù)據(jù)時(shí)代（深度學(xué)習(xí)）。隨著人類(lèi)對(duì)數(shù)據(jù)信息的收集和應(yīng)用逐漸嫻熟，對(duì)數(shù)據(jù)的掌控力逐漸提升，“機(jī)器學(xué)習(xí)”在海量數(shù)據(jù)的支持下攀上了新的高峰，即深度學(xué)習(xí)。深度學(xué)習(xí)的實(shí)質(zhì)便是通過(guò)海量的數(shù)據(jù)進(jìn)行更有效的訓(xùn)練從而獲得更精確的分類(lèi)或預(yù)測(cè)。深度學(xué)習(xí)的理念在2006年由Geoffrey Hinton和他的學(xué)生提出，并在當(dāng)時(shí)引起了轟動(dòng)，在學(xué)術(shù)界和工業(yè)界掀起了深度學(xué)習(xí)的浪潮。

2 機(jī)器學(xué)習(xí)的分類(lèi)

如今，機(jī)器學(xué)習(xí)被廣泛分為3個(gè)大類(lèi)，有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)以及半監(jiān)督學(xué)習(xí)。這些學(xué)習(xí)模式各具特點(diǎn)，因而被用于處理和應(yīng)對(duì)不同的問(wèn)題和場(chǎng)景。

1）有監(jiān)督學(xué)習(xí)。有監(jiān)督學(xué)習(xí)為每組數(shù)據(jù)編寫(xiě)特定的標(biāo)識(shí)，讓機(jī)器在已知規(guī)則的約束下對(duì)數(shù)據(jù)進(jìn)行分類(lèi)。而計(jì)算機(jī)會(huì)根據(jù)分類(lèi)的準(zhǔn)確性不斷自我優(yōu)化，直到預(yù)測(cè)的準(zhǔn)確性達(dá)到自身的預(yù)期。

2）無(wú)監(jiān)督學(xué)習(xí)。有監(jiān)督學(xué)習(xí)是指機(jī)器在已有的規(guī)則下進(jìn)行學(xué)習(xí)，無(wú)監(jiān)督學(xué)習(xí)則是指在沒(méi)有任何標(biāo)識(shí)的情況下進(jìn)行分類(lèi)。對(duì)于未分類(lèi)的事物，機(jī)器會(huì)根據(jù)自己的判斷將物品根據(jù)一定的特征歸類(lèi)。如果把機(jī)器人當(dāng)做一個(gè)孩子，有監(jiān)督學(xué)習(xí)是讓他在已知規(guī)則下對(duì)物品進(jìn)行分類(lèi)得出較為精確的結(jié)果；而無(wú)監(jiān)督學(xué)習(xí)則是放手讓這個(gè)孩子根據(jù)自己的喜好用自己希望的方式對(duì)物品進(jìn)行分類(lèi)，從而推斷出數(shù)據(jù)的內(nèi)部結(jié)構(gòu)。當(dāng)我們面對(duì)沒(méi)有標(biāo)簽的數(shù)據(jù)時(shí)，我們也可以先應(yīng)用無(wú)監(jiān)督學(xué)習(xí)讓機(jī)器對(duì)物品的內(nèi)在結(jié)構(gòu)進(jìn)行估測(cè)，再在已有估計(jì)的基礎(chǔ)上為數(shù)據(jù)添加標(biāo)簽從而應(yīng)用有監(jiān)督學(xué)習(xí)得出較為精確的分類(lèi)結(jié)果。

3）半監(jiān)督學(xué)習(xí)。有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)分別對(duì)應(yīng)了兩種特定的數(shù)據(jù)。那么，當(dāng)我們同時(shí)面對(duì)標(biāo)簽和未標(biāo)簽的數(shù)據(jù)時(shí)，我們?cè)撊绾翁幚砟?？近期?zhuān)家提出了一種新的學(xué)習(xí)模式，那就是半監(jiān)督學(xué)習(xí)。半監(jiān)督學(xué)習(xí)在面對(duì)兩類(lèi)數(shù)據(jù)時(shí)同時(shí)具有有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)的優(yōu)勢(shì)。它可以對(duì)已標(biāo)簽數(shù)據(jù)精確分析并估算預(yù)測(cè)未標(biāo)簽數(shù)據(jù)，從而處理多類(lèi)數(shù)據(jù)共存的問(wèn)題。

3 機(jī)器學(xué)習(xí)的算法

我們已經(jīng)了解了機(jī)器學(xué)習(xí)的大分類(lèi)，在有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)的分類(lèi)標(biāo)準(zhǔn)下，每個(gè)分類(lèi)都會(huì)對(duì)應(yīng)一些算法。當(dāng)然，并不一定是一一對(duì)應(yīng)。算法是一種工具，它幫助我們?cè)谳斎霐?shù)據(jù)后預(yù)測(cè)出結(jié)果。下文將會(huì)介紹幾個(gè)常用的算法。

1）決策樹(shù)算法。決策樹(shù)算法是機(jī)器學(xué)習(xí)中較為簡(jiǎn)單也較為典型的算法。首先我們需要明確，算法的作用是幫助我們預(yù)測(cè)數(shù)據(jù)對(duì)應(yīng)的結(jié)果，算法所應(yīng)用的對(duì)象是包含許多數(shù)據(jù)的個(gè)體。而面對(duì)不同的問(wèn)題，我們?nèi)孕枰?xùn)練算法這一過(guò)程。決策樹(shù)算法是通過(guò)已經(jīng)提取的特征對(duì)數(shù)據(jù)進(jìn)行分類(lèi)的，它先將已經(jīng)提取的信息進(jìn)行信息熵的計(jì)算以確定其包含信息量的多少。這一過(guò)程我們通常使用ID3算法或C4.5算法。在CART決策樹(shù)中我們用基尼指數(shù)來(lái)劃分屬性。之后通常狀況下會(huì)按照從包含數(shù)據(jù)多到包含數(shù)據(jù)少進(jìn)行排列。然后開(kāi)始以此順序?qū)€(gè)體進(jìn)行分類(lèi)。當(dāng)整個(gè)分類(lèi)完成后，決策樹(shù)模型的構(gòu)建也就完成了。此時(shí)若我們要預(yù)測(cè)一個(gè)新個(gè)體的數(shù)據(jù)，只需要把他的信息輸入決策樹(shù)，就可以對(duì)應(yīng)出預(yù)測(cè)的結(jié)果。

2）K最近鄰算法。相比于決策樹(shù)算法，K最近鄰算法會(huì)更容易理解。在訓(xùn)練K近鄰算法的過(guò)程中，我們首先把提取的數(shù)據(jù)向量化，讓它們?cè)诳臻g中排列成點(diǎn)集。K取值正整數(shù)，含義為和某點(diǎn)距離最近的K個(gè)點(diǎn)，通過(guò)對(duì)點(diǎn)的分類(lèi)來(lái)實(shí)現(xiàn)對(duì)數(shù)據(jù)的分類(lèi)。它主要用于討論數(shù)據(jù)的相關(guān)性。在使用這種算法時(shí)，我們可能會(huì)用到歐式幾何或者非歐幾何中不同的距離度量來(lái)討論空間中點(diǎn)與點(diǎn)之間的距離。如我們生活中最常見(jiàn)的歐氏距離或是把平面看做棋盤(pán)用步數(shù)描述距離的切比雪夫距離。

3）樸素貝葉斯算法。當(dāng)我首次看到這個(gè)算法時(shí)，我便聯(lián)想到了曾學(xué)習(xí)過(guò)的條件概率。在樸素貝葉斯算法中，給定目標(biāo)值的屬性都被假設(shè)為相互獨(dú)立的條件概率。和決策樹(shù)模型不同，樸素貝葉斯分類(lèi)器更簡(jiǎn)單，也更依賴(lài)它的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類(lèi)效率。同時(shí)它的參數(shù)很少，因而對(duì)缺失的數(shù)據(jù)不敏感。同時(shí)，由于該算法模型建立在假設(shè)所有數(shù)據(jù)都相互獨(dú)立的基礎(chǔ)上，而現(xiàn)實(shí)中數(shù)據(jù)與數(shù)據(jù)之間難免存在聯(lián)系，所以這個(gè)算法在實(shí)際生活中的運(yùn)用往往是不精確的。

4 機(jī)器學(xué)習(xí)在生活中的應(yīng)用

機(jī)器學(xué)習(xí)中各式各樣的算法和它們所針對(duì)的諸多方面注定了機(jī)器學(xué)習(xí)在生活中的不同方面會(huì)被廣泛應(yīng)用。例如當(dāng)我們要預(yù)測(cè)某個(gè)產(chǎn)品的受眾面時(shí)，我們就可以使用決策樹(shù)算法。我們首先選擇一定數(shù)量的個(gè)體，提取他們的信息，按照訓(xùn)練決策樹(shù)模型的流程進(jìn)行操作。這樣構(gòu)建好的決策樹(shù)模型就可以在我們給予新個(gè)體時(shí)按照新個(gè)體的信息預(yù)測(cè)出他是否為該產(chǎn)品的受眾人群。

同時(shí)，機(jī)器學(xué)習(xí)還可以被用于風(fēng)險(xiǎn)評(píng)估、滿(mǎn)意度預(yù)測(cè)、垃圾信息的過(guò)濾乃至人臉識(shí)別等方面。

5 結(jié)論

人類(lèi)的學(xué)習(xí)能力無(wú)疑是勝過(guò)機(jī)器的，但對(duì)于人腦來(lái)說(shuō)，反復(fù)地處理數(shù)據(jù)是枯燥乏味的，同時(shí)人類(lèi)也難以進(jìn)行龐大信息的分析處理。這便是機(jī)器學(xué)習(xí)的優(yōu)勢(shì)和作用，“不會(huì)厭倦，不知疲憊”。

曾經(jīng)業(yè)界有一種說(shuō)法，描述機(jī)器學(xué)習(xí)可以動(dòng)搖人類(lèi)的“自由意志”，因?yàn)榇髷?shù)據(jù)時(shí)代龐大的信息量可以支持機(jī)器做到非常精確的分析。當(dāng)學(xué)習(xí)模型構(gòu)建得足夠精準(zhǔn)時(shí)，機(jī)器就可以預(yù)測(cè)任何個(gè)體的行為。機(jī)器的預(yù)測(cè)決定了人的行為，自由意志便不復(fù)存在了。這當(dāng)然是對(duì)機(jī)器學(xué)習(xí)“威力”較為夸張的展望。但筆者認(rèn)為機(jī)器學(xué)習(xí)縱然達(dá)不到預(yù)知未來(lái)，也將在未來(lái)對(duì)人類(lèi)的生活產(chǎn)生巨大的影響。

未來(lái)的某一天，機(jī)器學(xué)習(xí)可以幫助人類(lèi)進(jìn)行預(yù)知地震、海嘯等，預(yù)知現(xiàn)在難以避免的風(fēng)險(xiǎn)。機(jī)器學(xué)習(xí)也會(huì)在人類(lèi)的逐步研究中成為人類(lèi)的左膀右臂，幫助我們繼續(xù)進(jìn)步，渡過(guò)難關(guān)。

參考文獻(xiàn)

[1]曹栩森.機(jī)器學(xué)習(xí)的發(fā)展與應(yīng)用[J].消費(fèi)導(dǎo)刊，2017（28）.

[2]李凡長(zhǎng).機(jī)器學(xué)習(xí)理論及應(yīng)用[M].北京：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2009.

[3]余殷博.基于人工智能下的機(jī)器學(xué)習(xí)歷史及展望[J].電子技術(shù)與軟件工程，2017（4）：129.

[4]甄盼好.淺談機(jī)器學(xué)習(xí)方法[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2014（1）：176-177.

[5]王永慶，劉華.機(jī)器學(xué)習(xí)方法進(jìn)展研究[J].無(wú)線(xiàn)互聯(lián)科技，2013（7）：138.