机器学习与连续流连载系列丨机器学习：人工智能的驱动力

前期回顾：

机器学习与连续流连载系列丨使用康宁反应器集成在线光谱，通过半监督机器学习识别化学反应式计量和动力学模型点击进入原文查看

本期亮点

机器学习（Machine Learning, ML）作为人工智能（Artificial Intelligence, AI）的一个分支，正在逐渐改变我们与技术的互动方式。本文将探讨机器学习的核心概念、工作流程、类型、优势与局限。

在回答机器学习前，先回到人类的学习，什么叫做学习或者学会了？简而言之就是发现规律，能根据已有情况，寻找规律，解决新问题。

“过拟合”，打个比方就像某学生做大量题，他死记硬背，只会做已经做过的相同的题，遇到相同知识基础的新题（稍微变化一下）就不会解答，也就是“泛化能力”差。

比如某某学生在模拟考试中，考试成绩好，到了正式考试时，成绩不理想，很多家长认为没有考试运。当然这个有很多原因，比如考试时紧张，身体出现不适等，但有个原因就是其“泛化能力”差，模拟考是他做过的题，没有从中“泛化”出规律去解答新题。

机器学习类似人类学习，根据大量题型总结规律，根据规律去解决新问题。

人工智能先驱Arthur Samuel，在1950年代将“机器学习”定义为，“使计算机能够在没有明确编程的情况下进行学习的研究领域”。

Nvidia认为“机器学习最基本的是使用算法解析数据，从中学习，然后对世界上的事物做出决定或预测。”

传统编程需要写好严格的详细的程序指令，根据输入数据得到输出结果。其难度在于程序的编写，有时不能覆盖某些新情况。比如做馒头，写好买1kg白面粉，和面加入X kg水，捏好形状，放入蒸笼蒸X分钟。如果遇到了玉米粉，它就不会做玉米馒头了。

机器学习是通过算法和大量的做馒头的书籍介绍等，总结出通用规律，这样遇到玉米粉也能输出相应做玉米馒头的步骤。所以机器学习难在解析数据结构，发现规律。

优势

局限