机器学习是如何进行的？

亦书

机器学习通常分为两大类：监督学习和无监督学习。

监督学习

这种常见的技术用于训练AI系统，它依赖于注释数据或人类已标记和分类的数据。机器学习系统随后会输入这些数据来学习其中的模式。

假设您希望训练一个机器学习模型来识别和区分圆形与正方形的图像。为此，您需要构建一个数据集，其中包含大量圆形图像（如行星、车轮等圆形物体的照片）和正方形图像（如桌子、白板等）。接下来，您需要为每个图像添加标签，以指明其形状。

之后，算法将分析这组带标签的图像，学习如何区分不同的形状及其特征：例如，圆形没有角，而正方形则有四条等长的边。一旦训练完成，系统就能够识别出一张新图像中的形状。

无监督学习

相比之下，无监督学习则允许算法自行寻找未标记数据中的模式，通过识别数据间的相似性来进行分类。

这些算法并不预先设定特定的数据选择标准；它们仅仅基于数据之间的相似性进行分组——例如，根据客户的购物行为对他们进行细分，从而开展更具个性化的营销活动。是不是像淘宝在给你推荐商品？

强化学习

在强化学习中，系统通过输入数据进行训练，旨在最大化奖励，并经过反复试验和调整，直至达到最佳性能。

以训练一个系统玩电子游戏为例，当得分较高时，系统会获得正奖励；而得分较低时，则会受到负奖励的惩罚。系统通过不断分析游戏并调整行动策略，仅从收到的奖励中学习和改进。最终，它能够独立地玩游戏，并在无人干预的情况下取得高分。

强化学习不仅在游戏领域有所应用，还广泛用于科学研究，特别是在教导自主机器人在现实环境中以最优方式行动方面。例如，机器人学习如何在未获取数据的新环境中导航，比如绕过意外的障碍物，这是人工智能领域中更高级机器学习技术的一个典型应用。