大數(shù)據(jù)的崛起對機器學習意義非凡
大數(shù)據(jù)的核心在于數(shù)據(jù)挖掘，機器學習便是數(shù)據(jù)挖掘時最常用的方法之一。因此，機器學習技術不斷的完善，原本模仿人類大腦的三點先天不足已經(jīng)逐漸不再重要。
首先，機器學習處理大量數(shù)據(jù)時所采取的分布式處理技術已經(jīng)成熟，也就是說在處理大量的任務時，并非集中處理，而是將任務分塊，采取多個組件同時處理運算，這樣就大幅提升了計算效率，計算能力遠遠超過人類的大腦;其次，我們在機器學習時會給予其大量的樣本，并設置相應的處罰函數(shù)，然后通過訓練逐步減少處罰函數(shù)出現(xiàn)的概率，提高的機器的智能水平;
機器學習不再僅僅是一種數(shù)據(jù)挖掘的算法
最后，機器學習的方法也更加成熟，現(xiàn)在一般分為三種：監(jiān)督學習，半監(jiān)督學習和無監(jiān)督學習。監(jiān)督學習是指利用一組已知標注類別的樣本調(diào)整分類器的參數(shù)，使其達到所要求性能的過程。簡單來說就是給機器一堆有標記的數(shù)據(jù)，然后讓機器學習后，推測得出新的未知的信息。這其中的代表方法就有神經(jīng)網(wǎng)絡、SVM、Nave Bayes、KNN和決策樹等，目前與韓國棋手李世石挑戰(zhàn)的谷歌AlphaGo采用的便是神經(jīng)網(wǎng)絡的學習方法。
半監(jiān)督學習是指介于監(jiān)督學習和無監(jiān)督學習之間，利用少量的標注樣本和大量的未標注樣本進行訓練，以得出新的位置信息的辦法。這種方法更多的像是兩種方法的結合，也是現(xiàn)在正在興起的一種方法。
無監(jiān)督學習則指設計分類器時，不給樣本參數(shù)任何標簽，讓機器自行分析處理。目標便是讓機器學會自主學習。曾經(jīng)有人設計過一項電腦程序，讓其利用無監(jiān)督學習的方法玩一款游戲，在進行了多次游戲以后，這項程序的游戲水平不僅超過了使用監(jiān)督學習方法學習的機器，比之人類最好的玩家也要出色許多。
逐漸脫離監(jiān)督進行學習，是誰的愿望?
但是目前，由于無監(jiān)督學習還處于起步狀態(tài)，因此半監(jiān)督學習和監(jiān)督學習的改進版是現(xiàn)在人工智能的主流方法。無監(jiān)督學習既然已經(jīng)開始，這種更為優(yōu)秀也更智能的方法必然會成為未來發(fā)展的主流，機器學習的自主性提升后，似乎已經(jīng)比人類更勝一籌。
