在曩昔的几个月中，我与许多的决议计划者交换了有关人工智能特殊是机械进修方面的成绩。个中有几名高管曾经被投资者讯问了有关他们在机械进修(Machine Learning)方面的计谋，和在哪些方面应用了机械进修。那末这个技巧课题为何忽然会成为公司董事会评论辩论的话题呢?
盘算机应当为人类处理成绩。传统的办法是“编写”所需的法式，换句话说，就是我们教电脑成绩处理的算法。该算法具体描写懂得决成绩的进程，就像食谱一样。许多义务都可以用算法来描写。例如，在小学里，我们进修了数字加法算法。当触及到要疾速、完善地运转这类算法时，盘算机比人类更胜任这个任务。
但是，这个成绩处理的进程是有局限性的。我们若何辨认一张猫的照片呢?这个看起来很简略的义务却难以用一种算法来描写。让我们稍等少焉，细心想一想。即便是简略的解释(如“有四条腿”或“有两只眼睛”)也有其缺陷，由于这些特色能够会被隐蔽，或照片能够只显示了猫的一部门。假如我们碰到辨认腿或眼睛的义务时，那与辨认猫一样的艰苦。
这恰是机械进修展示其实力的处所。盘算机不须要开辟算法来处理成绩，而是应用示例来进修算法自己。我们用样原来练习盘算机。关于辨认猫这个例子，我们须要应用年夜量的标注了猫的照片来练习体系(监视进修)。经由过程这类方法，算法会产生退化，继而成熟，并终究可以或许辨认出生疏图片上的猫。
现实上，在这类情形下，盘算机平日不会进修经典法式，乃至都不会进修模子中的参数，例如收集中的边沿权重。这个道理可以与我们年夜脑(包括了神经元)的进修进程比拟较。像年夜脑一样，与传统法式分歧，这类具有边沿权重的收集简直弗成能被人类所懂得。
在这类情形下，被称为深度进修的人工神经收集进修办法获得了伟大的胜利。深度进修是一种特别的机械进修，反过去又是人工智能的一门学科，是盘算机迷信研讨的重要分支。早在2012年，谷歌研讨小构成功地练习了一个具有16000台盘算机，并从1000万段YouTube视频中辨认猫(和其他对象种别)的收集。他们采取的就是深度进修技巧。
很多与演习有关的成绩更偏向于属于“辨认猫”这个种别，而不是“数字加法”，是以，很难用人类编写的算法来处理这些成绩。这些成绩平日是在某些数据中辨认形式，例如辨认图象中的对象、说话中的文本或生意业务数据中的讹诈行动。
这里有一个简略的例子，我们来看一下猜测性保护。想象一下很多传感器正在发送数据流，有时，某些机械会产生毛病。如今的困难就是进修招致毛病的数据流的形式。一旦学会了这类形式，便可以在正常操作时代辨认出这类形式，从而预防潜伏的毛病。
固然机械进修的道理其实不新颖，但今朝深受年夜众的追捧。这重要有三个缘由：起首，用于运用和练习的年夜量数据的可用性(“年夜数据”);其次，我们如今具有伟大的盘算才能，特殊是在云端;第三，一系列的开源项目使得每一个人或多或少会应用一些算法。（本文援用地址：http://www.eepw.com.cn/article/201711/370980.htm）
