机器学习的来临在日常中给我们带来了什么变化？

机器学习是一个关于计算机建模和利用模型来模拟人类智力活动的学科。随着计算机和网络的飞速发展，机器学习在我们的生活和工作中扮演着越来越重要的角色，这改变了我们的生活和工作。我们日常生活中的机器学会了如何在日常生活中使用数码相机。你可能不知道数码相机上的人脸检测技术是基于机器学习技术的!我认识三个伟大的科学家和工程师。他们是Robert Schapire,Paul Viola，和lowe。他们三个都和这件事有关。我们开发了一种非常高效的机器学习算法，它是一种非常有效的机器学习算法，它成功地应用了一个d A b o s t算法来进行检测。老王和他的团队，Omr on，在芯片上做了一个d A B o s t人脸检测算法。据说，世界上60%的数码相机都配备了Omr o n芯片。在我们的工作和生活中，这个例子并不贫穷。网络搜索、在线广告、机器翻译、手写识别、垃圾邮件过滤等都是基于机器学习的。 


不久前，国际机器学习会议(ICML 2011)在华盛顿州的B el e v u e市举行。大约700名科研人员、教授和学生参加了创造历史最高纪录的活动。会议演讲的三个主题分别介绍了微软Kinnect控制台用户感应系统的机器学习、谷歌G l o G的图像搜索系统、I B M Watson系统的自动问答系统的应用。这些事实预示着机器学习算法更广泛应用的新时代。机器学习和人工智能是计算机发展的必然趋势。从事各种智能的人类活动，如数学、美术、语言、音乐、体育、学习、游戏、设计、研究、教学等，让计算机去做，现在也很困难。这是几十年人工智能研究的结果。在人工智能研究中，人们尝试了三种方法。我叫它们外观，内省和模拟。所谓外观，是指观察人脑的工作，探索其原理，阐明其机制，从而“实现”“人脑在计算机上的功能”。例如,计算神经科学(computationalneuroscience)的研究是基于它的动机。然而，人类大脑复杂的信息处理是很难观察和建模的。正如我们在计算机中观察信号的传输一样，很难判断它在做什么样的计算。自省是对自己的智能行为的反思，实现了计算机上记录的推理、知识，从而“复制”了“人类智能”，如专家系统(专家系统)试图归入这一类。自省最大的问题是很难概括，也就是说，你不能这样做。无论在什么样的图画，甚至在抽象画中，人们都可以很容易地找到他们的脸。
 
这种能力被称为泛化能力。用内省的方法来推广计算机是很困难的。智力的原理很可能与人类无关。笼子里的老鼠可能认为把手的触摸是“食物”的“原因”，但它永远无法理解整个笼子的食物传递机制。仿真是输入和输出操作的智能跟踪之一，使用模型模拟输入输出性能与人类相似的模型，如统计、机器学习(统计机器学习)。实践证明，统计机器学习是实现计算机智能目标的最有效手段。统计学习最大的优点是泛化能力;缺点是它总是在统计意义上得到最优解(例如，人脸检测)。当人们谈论机器学习平台时，他们通常指的是统计机器学习或统计学习。机器学习的优点和缺点是一个简单的例子。这个例子说明了统计学习的基本原理，以及与之相关的优点和缺点。假设我们观察到一个系统的输出是一系列的1和0，来预测它的下一个输出是什么。如果观测到的数据有一半是一半，那么我们只能预测0.5的精度。同时，如果我们观察到这个系统输入，以及一系列的1 s和0 s，当输出为0时，输入的比例为1，当输出为0时，输入的比例为0。通过这种方式，我们可以从我们给数据的数据中学习“模型”，预测输出的accor。