千米小说网

第20讲 理解AI（第1页）

第20讲理解AI

因AI成为当今主流的智能学习工具，所以要对以往的方法进行改善。同时，通过对数据的活用，可以获得以前无法得到的答案。而且，这条道路今后很可能会有更长远的发展。那么，智能学习具体是怎样的一种方法呢？

在讲智能学习之前，首先说明一下以前是怎样对计算机发出指令的。在考虑对计算机发出指令时，有3个必要因素：输入（input），程序算法，输出（output）。

其中最重要的就是程序算法。充分考虑这个程序（程序算法），是对计算机发出指令的基础。由人去努力思考程序算法，就是一直以来使用的方法。

而另一方面，智能学习的话，作为基础的程序（程序算法）不是由人来拟定，而是由计算机通过学习后自己去拟定的。可以大致理解为，计算机根据大量的输入数据和与之对应的输出数据，计算出输入和输出之间的相关性。

这样一来，人应该做的事，就不是思考程序算法，而是准备大量的输入数据和输出数据了。在这个过程中，计算机会根据数据来找出输入和输出之间的关联性，也就是可以发现程序算法。

我们用事例来进行补充说明。

例如，假设现在要拟定一个程序算法，输入是照片，输出是表情认知，即识别照片里的脸是在生气、是在笑还是哭。

在这种情况下，如果使用以前的方法，就要对头像照片的要素进行分解，指定哪个部位应该怎样观察，在怎样的条件下判断为“在生气”，在怎样的条件下判断为“在笑”，这些都是由人来思考并拟定程序算法。

相对地，如果采用机器学习的方法，最初的一步是准备输入和输出的数据。要准备多张头像照片作为输入数据，并且判断照片里面的表情是“在生气”，还是“在笑”，或是“在哭”，作为输出的数据来使用。

也就是说，把表情作为标签和照片对应，并且，把大量头像照片和对应的照片都录入计算机。最后，计算机就会参考大量的数据，思考可以识别表情的程序算法。

在机器学习的过程中，可以通过以下步骤来让计算机思考程序算法。

1。决定什么作为输出

2。决定什么作为输入

3。准备多个输出和输入的组合

1。决定什么作为输出

刚才的例子是以脸部表情作为输出，下面我们以销售额为输出来讲解。因为销售额作为目标非常明确，而且从量化的角度来说，可以用金额来表示，是非常清晰易懂的输出。

另外，如果以“学习”为例的话，情况会怎样？以学会了或者没学会作为输出，虽然可以作为方向，但是很难找到清晰的判断标准。

以往我们会以测试的分数作为是否学会的结果指标，但测试的意义不外乎是对记忆的确认，要充分考虑好定义以及具体要如何量化。

如上所述，在实际业务中，确定以什么作为输出是最重要的工作。

需要充分考虑“这个输出是要获得什么”“这个输出可以用什么来计量”，还要考虑“怎样可以量化”。

2。决定什么作为输入

决定输出的内容以后，需要尽可能找出可能对这个输出内容产生影响的输入内容。数据越多，程序算法的精度越高。而且，对大量的数据进行处理是计算机擅长的事。因此，要有意识地找出尽可能多的可能对输出产生影响的内容。

另外，和输出一致，输入在最后也要进行量化。大家在罗列输入内容时，同时要有意识地思考如何能够进行量化。