人工智能在最近两年大出风头，无人驾驶汽车，阿尔法狗战胜人类最强棋手，演唱会人脸识别抓捕逃犯，手机多国语言在线翻译，这一切一切无不给我们带来深深的震撼，可以说人工智能将在不久的未来引来巨大的爆发式增长，对我们每个人的生活带来深刻的影响。
机器学习（ML，machine Learning）是人工智能的一个分支，是让机器自己做主，而不是我们告诉计算机干什么它就干什么，我只告诉计算机，做成什么样子“自己看着办”，计算机你自己需要能学会"察言观色"，到时候给我满意的解决方案就OK了。
最早的机器学习定义是Arthur Samuel，在50年代，他编写了一个西洋棋程序，但Samuel却并不是下西洋棋的高手，开始当然这个计算机程序的棋力很差，但这个计算机勤学苦练，从不偷懒，善于学习，于是计算机下着下着，不断的积累经验和吸取教训，最后棋艺竟然超过了Samuel。Arthur Samuel认为，不要使用具体的代码，使用一定的训练数据，使用泛型编程，机器从训练数据中可以学到赢棋的经验，这就是一个机器学习的最初定义。比较严谨一点的机器学习是由卡内基梅隆大学的Tom Mitchell提出的， 一个计算机程序从经验E中学习，解决任务 T，达到 性能P。那个下棋的例子中下很多盘棋就是经验E，下棋就是任务T，P就是这个程序能够赢棋的概率。再举一个例子，我们都是有Email，我们打开Email后会发现除了收件箱之外还有一个垃圾邮件箱，我们打开垃圾邮件箱一看，啊，果然绝大多数都是垃圾邮件，我们很纳闷，邮件服务器是怎么知道那些是正常邮件那些是垃圾邮件？在这个例子中，邮件服务器学习那些是垃圾邮件那些是正常邮件是经验E，把垃圾邮件放入垃圾收件箱是任务T，正确放入垃圾收件箱的概率是P。
有一种计算机算法叫分类算法，无需改动任何代码，可以将输入的不同数据分成不同的种类。如下图所示，第一个算法是输入不同的手写阿拉伯字母，算法可以识别出来1、2、3...9，第二个算法输入邮件信息，它可以分类出垃圾邮件和正常邮件。两个看起起来完全不同的输入，却能完成相同的归类功能。
机器学习主要有两种，监督学习和非监督学习。监督学习就是督促计算机去学习，明确告诉它目标是什么，非监督学习是让计算机“自学成才”，没有设定目标，学习完告诉我你学到了什么。
首先说下监督学习，监督学习是告诉计算机目标，让计算机从训练数据中得到经验，从而对其他问题可以“举一反三”。比如房地产中介要估算一个房子的价格，它需要从不同面积，不同地段，不同价格的数据中学得统计曲线，从而生成一个复杂的计算公式，这样以后再有新的房子信息输入就可以估算出房子的价格。
如下图所示，500平方英尺对应的价格是100K，后续的红叉叉表示已知的价格，计算机学习这些样本，形成一个弧形的曲线函数。以后就用这个函数来估算房产的价格。
再举一个人工智能判断癌症的例子，看下面图片
这个图片的纵坐标是年龄，横坐标是肿瘤大小，蓝色的圆圈是良性肿瘤采样数据，红色的叉叉是恶性肿瘤采样数据，黑色斜线就是良性肿瘤和恶性肿瘤的分界线，如果在下方良性肿瘤的概率很大，如果是上方，恶性肿瘤的概率大。如果判断一个病人的坐标落在红色箭头指的地方，那他是良性肿瘤的概率要大一些。当然这个例子非常简单，仅仅有两个特征变量，年龄和肿瘤大小，实际上可能会有更多的特征变量，比如肿瘤的块厚度，肿瘤细胞的一致性等等。现实的问题可能特征变量会更多。
再介绍下无监督学习，无监督学习没有给计算机目标，只是给出一大堆数据，我不知道这些数据都包括什么，请计算机告诉我这些数据都有哪些，给我分类。
无监督学习可以应用在社交分析中，从中找到那些朋友是常联系的那些是一般的；也可以应用到市场分析，把潜在 客户进行分类。
上图是计算机学得多个人类个体的基因聚类，不同颜色表示不同种类的人类个体，这个在疾病，遗传缺陷等诊断有积极的作用。
閱讀更多 物聯網電子世界 的文章
