《機器學習漸入佳境》由會員分享，可在線閱讀，更多相關《機器學習漸入佳境（6頁珍藏版）》請在裝配圖網(wǎng)上搜索。
1、機器學習漸入佳境
研究具備自我提升能力軟件的嘗試最早始于 20 世紀 60 年代，而經(jīng)常被稱之為“機器學習”的技術仍然基本停留 在學術研究階段，只有極少部分進入商用市場的邊緣，例如 語音識別、信用卡詐騙偵測等領域。如今，專家認為隨著更 好的算法、更強性能的計算機和更智能的應用策略的相繼問 世，機器學習和自我訓練軟件技術將開始進入主流應用。
贏得 200 萬大獎的機器學習
隨著此類技術的進步和推廣，市場需求也將逐漸看漲。 “在過去，程序員可以針對一個問題編寫代碼，再進行測試 和運行， 并在以后人工調(diào)試和改進， 如此反復進行循環(huán)測試， 美國斯坦福大學人工智能實驗室主管 Sebastian T
2、hrun 教授說，
“這樣的問題在于， 軟件將變得越來龐大， 越來越難以管理。 由此產(chǎn)生了一種趨勢，即讓軟件具備自動調(diào)節(jié)和適應能力， 這將是未來計算領域發(fā)生的一項重大革命。 ”
在美國國防部高級研究計劃署 (Defense Advanced
Research Projects Agency最近主持展開的一項競賽中， Thrun 教授通過采用幾種新的機器學習技術的軟件，來驅(qū)動一輛汽 車在沙漠中自動駕駛了 132 英里的路程，從而為斯坦福大學 贏得了 200 萬美元的獎金。在新技術的幫助下，這輛汽車能 識別并記憶它所行駛過的路面特征。機器學習技術還使 Thrun 教授的研究團隊極大地提高了工
3、作效率，據(jù)說他在過 去需要花半個月來完成的人工編程工作，現(xiàn)在只需要一天時 間就能讓軟件自動完成。
讓軟件訓練軟件
卡耐基 . 梅隆大學的自動學習和探測中心主管 Tom Mitchell 說，對人類而言很容易完成的一些任務 （例如語音和 圖像識別 ），要交給計算機來處理往往有較大的難度， 因為很 難用軟件規(guī)則來將這些任務解釋和交代清楚，但機器學習技 術的運用可以明顯改善這種情況。在機器學習技術的應用案 例中，經(jīng)由人工編寫和標記的測試平臺來“訓練”軟件，并 分析和記錄軟件運行結(jié)果的對或錯，不斷對其進行校正，最 終將成熟的軟件派發(fā)出去解決現(xiàn)實中的問題。
為了試驗這種概念， Mitchell 用
4、兩種學習算法來相互進 行基本訓練，以讓二者共同工作的效果好于單獨使用其中一 種。例如，一種搜索引擎算法通過分析網(wǎng)頁上的詞語來對其
進行分類，而另一種算法則分析指向該頁面的超鏈接中的詞 語，這兩種算法共享對同一個頁面的分析線索，并匯集出更 準確的分析報告。試驗結(jié)果表明，這種聯(lián)合訓練方案能明顯 降低錯誤率。它所取得的突破是：軟件的訓練平臺不是由人 工編寫的，而是由另一種軟件完成的。
填補人工編程的盲區(qū)
加州大學伯克利分校的 Stuart Russell 教授正在試驗一些 編程語言，程序員們經(jīng)常用它們來為某些任務編寫代碼，這 些任務很容易理解和編碼，但也容易產(chǎn)生許多無法處理的盲 區(qū)和縫隙。為了
5、填補這些縫隙，該試驗引進了諸如人工神經(jīng) 網(wǎng)絡的機器學習技術。
Russell已經(jīng)將其“局部編程”概念運用在一種稱之為
Alisp（Lisp 語言的擴展 ）的語言中?！芭e例來說其原理：如果我 想告訴你如何到達機場，但我手上沒有地圖，哪該怎么辦 呢？” Russell 說，“我將編寫一個程序，告訴計算機來如何 到達目的地：‘沿著這條街持續(xù)走下去，穿過所有的路口， 直到在一個斜坡處進入高速公路。在高速公路上一直走到有 機場出口的路牌處， 下了高速再駛?cè)肫胀ń值溃?直到機場。 在這個流程的編碼過程中，將會產(chǎn)生大量無法處理的縫隙， 但它仍然將是個非常有用的導航軟件。 ”在每個縫隙處，程 序員都會指定
6、相應的學習算法， 但 Russell 的研究目標是有朝 一日讓系統(tǒng)在每個縫隙處自動選擇最佳的算法。
已經(jīng)商用的機器學習技術
計算技術對機器學習自然化的提升，激發(fā)了紐約州立大
學Yann LeCun教授的靈感，他發(fā)明了一種稱之為“回旋網(wǎng)絡”
的人工神經(jīng)網(wǎng)絡系統(tǒng)，據(jù)稱它與傳統(tǒng)的神經(jīng)網(wǎng)絡相比，能用 更少的資源和工作量來更好地完成圖像識別等任務。通過大 量的神經(jīng)網(wǎng)絡，軟件必須接受數(shù)量龐大的不同情況下的訓練， 以讓其適應多種不同情況――目標的不同位置和不同大小、 不同的視角和背景等等，而這是項艱巨的挑戰(zhàn)。
LeCun發(fā)明的技術如今已被用于銀行門禁中的模式識別 閱讀器和機場的監(jiān)視系統(tǒng)，它將監(jiān)測目
7、標的每個圖像分解成 小塊區(qū)域 （例如鼻子、眼睛等 ），然后再拼接起來，生成高水 平的特征信息， 這種系統(tǒng)更加靈活， 并且減少了訓練的次數(shù)。
軟件也可“物競天擇”
與此同時，研究還推進了機器學習的一個分支一一基因 編碼學(Genetic Programming , GP)的發(fā)展，這種技術讓軟件
的發(fā)展遵循像達爾文的生物進化論一樣的規(guī)律。事實上，對 同一種問題的解決，往往會有多個不同版本的程序，甚至會 同時出現(xiàn)成百上千個版本，而這很容易讓人們混淆。其中的 絕大多數(shù)是比較弱的，但進化程序?qū)钠渲羞x擇兩個最優(yōu)的 出來，并將二者組合成更優(yōu)秀的新一代程序。在沒有人工參 預的情況下，這種進化過程將持續(xù)
8、進行數(shù)百代，并且每次都 使程序得到優(yōu)化和提升。
斯坦福大學的電子工程學教授 John Koza是GP研究的先
驅(qū)，他用這種概念來設計電路、控制器、光學系統(tǒng)和天線等 設備，結(jié)果與那些取得專利的傳統(tǒng)設計方法等效或優(yōu)于后者。 他完全用GP創(chuàng)建的一個控制器設計最近還獲得了一項專利。
不過，有點像生物進化過程一樣， GP的研究進展非常緩 慢。即使到了計算機速度超前發(fā)展的當前， GP在解決復雜問
題的過程中所用得上的計算資源仍然是杯水車薪。在那項專 利設計工作中，Koza教授在他的筆記本電腦上所做的工作量 只有幾個小時， 而完成控制器設計的 GP 進程則在由 1000 個 Pentium 處理器節(jié)點組成的集群環(huán)境下持續(xù)了 1 個月之久。
“我們從20世紀80年代后期開始了 GP研究，現(xiàn)在我
們所獲得的計算能力將比那時強 100萬倍” ,Koza說，“預計
再過 10 年左右，我們的研究成果將在實際的工程設計領域 發(fā)揮作用。”
機器學習漸入佳境
