近年來，人工智能除了在自動駕駛、疾病診斷、機器翻譯等領域取得史無前例的突破外，甚至藝術領域，還搞出了些讓人驚豔的“藝術創作”。
Prisma 把你的照片變成藝術作品
AI 生成的奧巴馬講話視頻，看得出誰是本尊嗎？
開源軟件 style2paints 能自動給漫畫人物上色
“機器學習”看似深奧，本質卻很簡單。無論是圖像識別還是語義分析，機器的“學習”能力都來源於同一個算法：梯度下降法 (Gradient Descent)。
近日，計算機科學博士Daniel Tunkelang就在Quora上回答了這個問題——下面一起來看看標準答案吧。
不如我們由機器學習中的分類問題入手，教計算機學習哪些食物好吃，哪些難吃。和人類不一樣，計算機沒有嘴巴，不能品嚐食物。所以，我們需要用很多食物樣例(
標記的訓練數據)教會計算機。這項樣例中有美味的食物(正例)，也有噁心的(負例)。對於每個被標記的示例，我們給計算機提供了描述食物(特徵)的方法。正例被標記為“美味”，比如巧克力冰淇淋、披薩、草莓等。負例被標記為“噁心”，比如鳳尾魚、花椰菜和球芽甘藍。
在真正的機器學習系統中，你可能需要更多的訓練數據，但3正3負的例子夠我們瞭解概念了。
現在，我們需要一些特徵。不妨就將這些樣例設置為甜、咸和蔬菜三個特徵，因為為二元特性，所以每種食物的每個特徵都被賦予“是”或“否”的值。
有了這些訓練數據後，計算機的工作就是從這些數據中總結一個公式(模型)。這樣，當它會遇到新食物時，它能根據模型決定食物是美味還是噁心的。
一種模型是點系統(線性模型)。如果具備每個特性，就會得到一定分數(權重)，如果不具備就沒有分數。然後，模型將食物的點數加起來，得到最終分。
模型裡有一個分界點，若得分高於分界點，模型就判定食物美味；如果分數低於分界點，就判定為難吃。
根據訓練數據，模型中的特徵分可能會被設置為甜3分，鹹1分，鬆脆1分，蔬菜為-1分。則巧克力、冰淇淋、披薩、草莓、鳳尾魚、花椰菜、和球芽甘藍在模型中的得分如下：
權重讓選擇分界點更容易，因為正例都得分≥2，負例得分≤1。
總能正確找到權重和分界點不太容易。即使找到了，最終可能會得到一個只適用於這個訓練數據的模型，但當我們用新例子時，模型效果就沒這麼好了(過度擬合)。
理想的模型不僅在訓練數據中正確率高，在新例中仍然有效(泛化)。通常，簡單模型比複雜模型(奧卡姆剃刀)更容易一般化。
我們可以不使用線性模型，構建決策樹也是個好方法。在決策樹中，只能問能用“是”和“否”回答的問題。用訓練數據讓決策樹答對並不難，在這個示例中訓練數據是這樣利用的：
這是蔬菜嗎？
- 如果是，則難吃。
- 如果不是，那它是甜的嗎？
- 如果是，則好吃。
- 如果不是，那它是鬆脆的嗎？
- 如果是，則好吃。
- 如果不是，則難吃。
如同線性模型，我們需要擔心過度擬合，不能讓決策樹太深。所以這意味著最終可能會有一個模型，雖然在我們的訓練數據上會犯錯，但能對新數據更好泛化。希望孩子能聽懂這個機器學習的解釋。
閱讀更多 架構師技術聯盟 的文章
