1.2　開始機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)已經(jīng)存在至少60年了。早期機(jī)器學(xué)習(xí)系統(tǒng)源于對人工智能的探索，推導(dǎo)出if…else語句的手工編碼規(guī)則來處理數(shù)據(jù)并做出決策?？紤]一個(gè)垃圾郵件過濾器，其工作是解析收到的電子郵件，并將無用的郵件移入垃圾郵件文件夾，如圖1-1所示。

圖1-1　垃圾郵件過濾器處理過程

我們可以列出一個(gè)單詞黑名單，只要在一封郵件中出現(xiàn)這些黑名單中的單詞，就將該郵件標(biāo)記為垃圾郵件。這是手工編碼專家系統(tǒng)的一個(gè)簡單示例。（我們將在第7章中構(gòu)建一個(gè)更加智能的垃圾郵件過濾器。）

如果允許我們將這些專家決策規(guī)則組合并嵌套到一棵決策樹中，那么這些專家決策規(guī)則可能會(huì)變得更加復(fù)雜（第5章）。接下來，通過一系列決策步驟，我們就可以做出更明智的決策。你應(yīng)該注意到，盡管決策樹看起來像是一組if…else條件，但是它遠(yuǎn)不止于此，實(shí)際上這是一種機(jī)器學(xué)習(xí)算法，我們將在第5章中進(jìn)行探討。

手工編碼這些決策規(guī)則有時(shí)是可行的，但有兩個(gè)主要的缺點(diǎn)：

• 做出一個(gè)決策所需的邏輯僅適用于單個(gè)域中的一個(gè)特定任務(wù)。例如，我們無法使用這個(gè)垃圾郵件過濾器在一張圖片中標(biāo)記我們的朋友。即使我們想要改變垃圾郵件過濾器來做一些稍微不同的事情，例如：過濾釣魚郵件（目的是盜取你的個(gè)人數(shù)據(jù)），我們也必須重新設(shè)計(jì)所有的決策規(guī)則。
• 手動(dòng)設(shè)計(jì)規(guī)則需要對問題有一個(gè)深刻的理解。我們必須確切地知道什么類型的電子郵件構(gòu)成了垃圾郵件，包括所有可能的例外。這并不像看上去那么容易，否則，我們就不會(huì)經(jīng)常反復(fù)查看我們的垃圾郵件文件夾，尋找意外過濾掉的重要郵件了。對于其他領(lǐng)域的問題，手工設(shè)計(jì)規(guī)則簡直是不可能的。

這就是機(jī)器學(xué)習(xí)的用武之地。有時(shí)，我們不能很好地定義任務(wù)——除非通過例子——我們希望機(jī)器能夠自己理解并解決這些任務(wù)。在其他時(shí)候，重要的關(guān)系和相關(guān)性可能隱藏在我們?nèi)祟悤?huì)忽略的大數(shù)據(jù)中（見第8章）。在處理大數(shù)據(jù)時(shí)，機(jī)器學(xué)習(xí)通?？梢杂脕碚页鲞@些隱藏關(guān)系（也稱為數(shù)據(jù)挖掘）。

人工專家系統(tǒng)失敗的一個(gè)很好的例子是檢測圖像中的臉。這么愚蠢，真的嗎？如今，每一部智能手機(jī)都能夠檢測圖像中的臉。可是，在20年前，這個(gè)問題基本上還沒有解決。原因是，人們對臉部構(gòu)成要素的認(rèn)識對機(jī)器沒有太大的幫助。我們并不用像素來思考問題。如果要我們來檢測一張臉，那么我們可能只會(huì)尋找一張臉的決定性特征，例如：眼睛、鼻子、嘴巴等?？墒?，當(dāng)所有的機(jī)器只知道圖像有像素，像素有一定的灰度時(shí)，我們?nèi)绾胃嬖V一臺機(jī)器去尋找什么呢？在很長的一段時(shí)間里，這種圖像表征上的差異基本上使人們無法提出一套好的決策規(guī)則，讓一臺機(jī)器檢測出圖像中的一張臉。我們將在第4章中討論解決這個(gè)問題的各種方法。

然而，隨著卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的出現(xiàn)（第9章），在識別臉部方面，機(jī)器已經(jīng)和我們?nèi)祟愐粯映晒α?。我們所要做的僅僅是向機(jī)器呈現(xiàn)大量臉部圖像集。大多數(shù)方法還需要對訓(xùn)練數(shù)據(jù)中臉部的位置進(jìn)行某種形式的標(biāo)注。從這時(shí)起，機(jī)器就能夠發(fā)現(xiàn)可以識別一張臉的特征集，而不必像人類一樣來處理這個(gè)問題了。這就是機(jī)器學(xué)習(xí)的真正強(qiáng)大之處。