1.2 机器如何变得智能

第2课 机器如何变得智能

知识点：
理解什么是机器学习
理解什么是监督学习
理解什么是非监督学习
理解什么是增强学习
认知学习：
读一读：
人工智能涉及很广，涵盖了感知、学习、推理与决策等方面的能力。从实际应用的角度说，人工智能最核心的能力就是根据给定的输入做出判断或预测。比如：

在人脸识别应用中，它是根据输入的照片，判断照片中的人是谁。

在语音识别中，它可以根据人说话的音频信号，判断说话的内容。

在医疗诊断中，它可以根据输入的医疗影像，判断疾病的成因和性质。

在电子商务网站中，它可以根据一个用户过去的购买记录，预测这位用户对什么商品感兴趣，从而让网站做出相应的推荐。

在围棋对弈中，它可以根据当前的盘面形势，预测选择某个落子的胜率。

想一想：
你在日常生活中接触到的人工智能技术，它们是根据什么输入，做出什么样的预测和判断呢?那么人工智能是如何自动做出判所或预测的呢? 究竟是什么让他们变得这么 “聪明” 呢?

读一读：
机器学习
要如何让机器变得像我们一样聪明呢？科学家们参考了一我们人类的成长学习过程，认为机器也可以像我们人类一样，通过数据样品中学习来获得进行预测和判断的能力。这样的方法被称为机器学习( machine leaming)，它已经成为人工智能的主流方法。

监督学习
妈妈为了教会小朋友认识苹果，于是拿出了一个大苹果、一个小苹果和一个青苹果，并且告诉他这些都是苹果。

小明观察后，发现不管是大小、颜色如何变化，只要是圆圆的，中间凹进去并且有把儿的，都是苹果。小明去水果店的时候就能判断哪一些是苹果了。
在人类与动物的感知中，这样的学习叫做“概念学习”。在人工智能领域里，我们先给机器输入大量的数据（很多大小、颜色有差异的苹果照片），并且给这些数据贴上标签（这些照片里的东西是苹果），这种学习过程叫做“监督学习”。

想一想：
大家也可以试着在下面的图片里找出哪一些是西红柿，并且说说你是根据什么来判断它是西红柿的。

（圈出上图中哪一些是西红柿）
读一读：
非监督学习
在找西红柿的实验中，我们通过判断西红柿的一些独有特征来辨别西红柿。那么我们在寻找西红柿的过程中，发现其中有一些图片都有一个共同的特征。
这些共同的特征就是——“红色”。

在人类的行为中，这样的发现称之为“归纳推理”。在人工智能领域里，我们给机器输入一些数据（老师给出的很多图片），但是并没有给这些数据贴标签（没有说明这些图片是什么），机器通过这些没有标签的数据，自己发现了答案，这种学习过程叫做“非监督学习”

让我们来做一个实验，更好地理解一下机器学习。
草莓成熟的季节，果农们将采集好的草莓放在一起，但是现在需要将成熟且甜的草莓挑选出来进行打包。我们如何才能让机器通过学习，智能地分辨出哪一些是成熟的甜草莓呢？
要让机器学习挑选甜草莓，首要收集一些关于草莓的数据。

比如，个头较小、色泽鲜艳、质地柔软的草莓是甜的；个头较大、色泽较浅、质地较硬的草莓是酸的。在机器学习中，大小、色泽与质地被称为“特征”，大小值、鲜艳度、软硬度是“属性值”；酸和甜被称为“标签”。机器学习，就是找到特征与标签之间的关系，来判断草莓是不是甜的。
不过，在学习过程中，有时太过认真地认识已有的草莓样品，会造成无法判断其他草莓甜不甜的情况。这种情况被称为“过拟合”。

往往我们希望学得的模型能很好地认识新的草莓，这种能力被称为“泛化”。一般来说，训练样本越多，模型的泛化能力就越好，就越能准确判断新草莓是不是甜的。

读一读：
增强学习
同学们在学习过程中，在每一次考试后，都会认真观察批改好的试卷，将其中做错了的题目找出并重新解答，直到得出正确的答案。人类用思考和修正错误的方法，提示自己对知识的掌握与认知。

在人工智能领域里，机器从一个初始的策略开始，决策主体通过行动和环境进行交互（如同我们学习后进行考试），不断获得反馈（回报或者惩罚）（如老师批改好的试卷），并根据反馈调整优化策略（如重新解答错误的题目，直到得出正确的答案）。这是一种非常强大的学习方式。持续不断的强化学习甚至获得比人类更优的决策机制。

做一做：
机器学习你理解了吗？
试着向你的家人或朋友介绍一下机器学习是什么，它有哪几种方式，让你的家人与朋友也加入到人工智能的学习行列中来吧。