机器如何学习？

shopna289

如今，很难找到没有听说过人工智能或机器学习这些术语的人。这些技术的应用数量巨大，并且有继续增长的趋势。但毕竟，机器如何学习？让我们从一些历史开始。年，艾伦·图灵在《论可计算数》[]文章中介绍了定义我们今天所知道的计算机的原理。可能是对他刚刚创建的结构的可能性和解决问题的能力着迷，图灵在年已经在《计算机器和智能》一文中讨论了计算机是否能够思考。这个讨论超出了本文的范围，但在本文中，图灵以某种肤浅的方式讨论了“教授”计算机的程序。当我们试图教计算机时，最大的问题是不详细了解我们自己是如何学习的。教育学中有大量关于儿童和成人如何学习的文献，但这一过程的物理、化学和生物机制尚不清楚。尽管如此，机器学习算法仍然存在并且运行得相当好。

那么这些算法是如何工作的呢？定义学习机器学习算法的存在是为了实现一个或多个目标。因此，第一步是定义一个包含所有这些目标的效用函数，因此越高，算法越接近实现该目标。由于是数学定义的，我们可以将“学习”定义为优化问题，如下所示：然后我们必须找到算法的内部参数，以便最大化效用函数。与我们自己的身体进行一个非常不精确的类比，就好像定义了我 印度人电报数据 们大脑中的神经元如何连接以及它们在我们的身体接收到的内部和外部感觉刺激下如何表现。有了学习问题的数学定义，我们就可以使用优化技术或数学规划来解决问题。此类问题中最常用的技术可能是梯度攀登技术。如果您对数学部分不感兴趣，但发现该主题有趣，那是一种乐趣。请阅读图灵撰写的精彩文章《计算机器与智能》我们将在下一篇文章中见到您。



有兴趣的话关注我吧，已经快完结了学习函数的梯度定义为∇，是指向函数最大增长方向的向量。它由函数相对于每个变量的偏导数组成。换句话说，梯度定义了函数相对于每个参数的瞬时变化率。这些信息非常有用，因为这样算法就知道应该调整哪些参数以及如何调整它们以最大化效用函数∇。在这种情况下，学习意味着执行以下算法：给定一组刺激x和一组参数，在时间，计算在中的梯度更新参数转到步骤，直到达到某些停止标准其中α称为学习率，定义了效用函数梯度方向上采取的步长大小。因此，在每次迭代时都会调整参数，以使效用函数的值变得越来越大。最终，该算法收敛到的最大值。请注意，在许多情况下，该算法的目标可能是最小化某些误差测量。在这种情况下，只需沿着梯度的相反方向并用下面的方程更新参数即可。