近年来，人工智能除了在自动驾驶、疾病诊断、机器翻译等领域取得史无前例的突破外，甚至艺术领域，还搞出了些让人惊艳的“艺术创作”。
Prisma 把你的照片变成艺术作品
AI 生成的奥巴马讲话视频，看得出谁是本尊吗？
开源软件 style2paints 能自动给漫画人物上色
“机器学习”看似深奥，本质却很简单。无论是图像识别还是语义分析，机器的“学习”能力都来源于同一个算法：梯度下降法 (Gradient Descent)。
近日，计算机科学博士Daniel Tunkelang就在Quora上回答了这个问题——下面一起来看看标准答案吧。
不如我们由机器学习中的分类问题入手，教计算机学习哪些食物好吃，哪些难吃。和人类不一样，计算机没有嘴巴，不能品尝食物。所以，我们需要用很多食物样例(
标记的训练数据)教会计算机。这项样例中有美味的食物(正例)，也有恶心的(负例)。对于每个被标记的示例，我们给计算机提供了描述食物(特征)的方法。正例被标记为“美味”，比如巧克力冰淇淋、披萨、草莓等。负例被标记为“恶心”，比如凤尾鱼、花椰菜和球芽甘蓝。
在真正的机器学习系统中，你可能需要更多的训练数据，但3正3负的例子够我们了解概念了。
现在，我们需要一些特征。不妨就将这些样例设置为甜、咸和蔬菜三个特征，因为为二元特性，所以每种食物的每个特征都被赋予“是”或“否”的值。
有了这些训练数据后，计算机的工作就是从这些数据中总结一个公式(模型)。这样，当它会遇到新食物时，它能根据模型决定食物是美味还是恶心的。
一种模型是点系统(线性模型)。如果具备每个特性，就会得到一定分数(权重)，如果不具备就没有分数。然后，模型将食物的点数加起来，得到最终分。
模型里有一个分界点，若得分高于分界点，模型就判定食物美味；如果分数低于分界点，就判定为难吃。
根据训练数据，模型中的特征分可能会被设置为甜3分，咸1分，松脆1分，蔬菜为-1分。则巧克力、冰淇淋、披萨、草莓、凤尾鱼、花椰菜、和球芽甘蓝在模型中的得分如下：
权重让选择分界点更容易，因为正例都得分≥2，负例得分≤1。
总能正确找到权重和分界点不太容易。即使找到了，最终可能会得到一个只适用于这个训练数据的模型，但当我们用新例子时，模型效果就没这么好了(过度拟合)。
理想的模型不仅在训练数据中正确率高，在新例中仍然有效(泛化)。通常，简单模型比复杂模型(奥卡姆剃刀)更容易一般化。
我们可以不使用线性模型，构建决策树也是个好方法。在决策树中，只能问能用“是”和“否”回答的问题。用训练数据让决策树答对并不难，在这个示例中训练数据是这样利用的：
这是蔬菜吗？
- 如果是，则难吃。
- 如果不是，那它是甜的吗？
- 如果是，则好吃。
- 如果不是，那它是松脆的吗？
- 如果是，则好吃。
- 如果不是，则难吃。
如同线性模型，我们需要担心过度拟合，不能让决策树太深。所以这意味着最终可能会有一个模型，虽然在我们的训练数据上会犯错，但能对新数据更好泛化。希望孩子能听懂这个机器学习的解释。
閱讀更多 架構師技術聯盟 的文章
