原創譯文|初識機器學習和人工智慧

轉載聲明

本文為燈塔大數據原創內容，歡迎個人轉載至朋友圈，其他機構轉載請在文章開頭標註：

「轉自：燈塔大數據；

近日，英國皇家學會（Royal Society）發布了一份題為《機器學習：能通過樣本進行學習的計算機的力量與希望（Machinelearning: the power and promise of computers that learn by example）》的專題報告。

以機器學習為代表的人工智慧技術是當下最為熱門的技術研究方向之一，其被認為對經濟、社會、科學等都會有顛覆性的重大影響。

該報告對機器學習進行了較為全面的概述，其中涉及到機器學習的基本概念、發展歷程、應用、創造價值的方式和研究前沿等。

值得一提的是，該報告的參與團隊陣容非常強大，其中包括 Uber 的首席科學家 Zoubin Ghahramani 教授、Google DeepMind 的聯合創始人兼 CEO Demis Hassabis 博士和亞馬遜機器學習主管 Neil Lawrence 教授等。、

本文對其中機器學習和人工智慧的發展歷史、機器學習的典型問題及現有方法的局限性進行了翻譯，帶領讀者對機器學習和人工智慧進行初步認識，感興趣的讀者也可下載報告：

報告原文可點擊文末「閱讀原文」。

機器學習可以運用數據分析去檢測模型,並在這些基礎上進行預測。

怎樣將機器學習運用在實踐中？以各種方式運用不同的模型去分析數據（見第1.3節），下面是機器學習如何通過神經網路檢測字跡的一個例子。

機器學習在筆跡檢測這個領域有著極高的準確率。神經網路就是其中一種方法，將各層計算單元相連接，這受到了大腦內部神經元連接方式的啟發。

輸入單元接受外部世界的信息，而輸出層輸出關於輸入數據的決定。其他層的主要貢獻是輸入數據的各層傳輸。

在手寫識別中，特徵抽取系統通過識別每個字母的構成元素來學習字母的特點。

例如,如果一條短橫線垂直於一條豎線，這很可能是L。通過創建每個字母的組成規則, 系統能夠學習每個字母的關鍵特徵, 通過組成特徵來識別每個手寫字元。

特徵識別的啟用可以讓神經網路在大量書寫文本中得到訓練。經過訓練之後，這個系統可以檢測新的文本之中的相關特徵，然後決定它面前的文本是哪一個字母。

在訓練之中，反向傳播演算法可以提高系統的準確性，通過比較系統輸出（系統預測的字母）和真正的輸出(用戶定義)的，計算兩者的不同，優化權值來提高準確率。

儘管近年來取得了很多進展，機器學習的使用仍然受到限制。例如，一些機器學習的方法依靠大量標籤數據，而這些數據的創建和管理需要大量的資源和時間。

賦予系統理解上下文的能力或者常識，較為困難。當專業知識失靈時，人們往往依靠常識而採取行動，儘管這不是最優選擇，但不會造成重大損失。

當前的機器學習系統並不能定義或者編碼這種行為，這就意味著當系統遭遇失敗時，很可能會引發一連串的失敗。

人類善於將解決問題的辦法從一個領域轉移到另外一個領域，這對掌握了最新機器學習技能的計算機而言仍然是一個挑戰。

可解釋性是問題域之間的信息轉移的一大挑戰。可解釋性也可以看作是如何將學習系統中以編碼呈現的知識以一種簡單易懂的方式呈現出來。

在現實中有很多約束條件，例如自然法則（物理現象）和數學規律（邏輯），這些約束條件很難融入進機器學習之中。如果能將約束條件編入程序，我們在學習中就能更加高效地利用數據。

弄清人類的意圖是十分複雜的，首先就要對我們自己有一個深刻的了解。當前的方法對於人類的理解還是有限的，特別是在某些領域內。

這就帶來了一些挑戰，例如在協同環境里的機器人助手以及無人駕駛汽車。在這些領域內，重大的技術進步，將會打破這些局限限。

附：報告目錄

執行摘要

推薦

章節一：機器學習

· 1.1從數據中學習的系統

· 1.2皇家學會的機器學習項目

· 1.3什麼是機器學習

· 1.4日常生活中的機器學習

· 1.5機器學習、統計、數據科學、機器人和人工智慧

· 1.6機器學習的發源與演變

· 1.7機器學習中的典型問題

章節二：機器學習的新興應用

· 2.1在公共與私人部門中潛在的近期應用

· 2.2研究中的機器學習

· 2.3增加英國對機器學習的吸收能力

章節三：從數據中提取價值

· 3.1機器學習幫助從大數據中提取價值

· 3.2創造支持機器學習的數據環境

· 3.3擴展開放數據的生命周期需要開放的標準

· 3.4開放數據技術性替代：模擬與合成類數據

章節四：從機器學習創造價值

· 4.1人力資本，在各個層次上構建技能

· 4.2機器學習和產業戰略

章節五：社會中的機器學習

· 5.1機器學習和公眾

· 5.2與機器學習應用有關的社會問題

· 5.3管理數據使用對機器學習的含義

· 5.4機器學習與未來的工作

章節六：機器學習研究的新浪潮

· 6.1社會中的機器學習：主要的科學與技術挑戰

· 6.2可解釋且透明

· 6.3核實且穩健

· 6.4隱私與敏感數據

· 6.5處理真實數據：公平且完善的分析渠道

· 6.6因果關係

· 6.7人機交互

· 6.8安全與控制

· 6.9支持機器學習研究的新浪潮

附加／術語／附錄

機器學習中的典型問題

術語

附錄

內容來源：燈塔大數據

閱讀原文了解更多詳情