实现无人驾驶，人工智能不可或缺，而谈到人工智能，你一定听过机器学习和深度学习这两个词。
网上有很多关于探讨机器学习和深度学习的文章，要么晦涩难懂，要么零碎不系统，这里按照个人的理解进行一个总结，希望用白话的语言，解释清楚究竟什么机器学习。
机器学习的基本步骤
让计算机来模拟人类学习，称为机器学习，英文名称为Machine Learning。
传统地我们让计算机工作，一般会输入一串程序和代码，计算机会根据程序计算出答案，也就是在传统的程序设计中，我们输入的是一串程序和需要根据这些程序进行处理的数据，系统输出的是答案；
而机器学习不同，我们输入的是历史数据和从这些数据预期得到的答案，系统输出的是一个模型，随后再利用这个模型，输入新的数据，再生成答案，如下图所示。
机器学习与传统程序设计的逻辑结构
机器学习的基本步骤：录入数据，计算得到一个结果，与实际情况进行对比，如果发生错误，机器会优化模型，重新计算，新的结果再进行对比，不断重复，同时，错误将被机器记录下来，避免犯同样的错误。
从本质上来说，机器学习就是在错误中学习。
举一个例子：
出生的婴儿学习走路，通过观察别的孩子或家长指导，先尝试某种姿势走路；如果姿势不正确，导致婴儿摔倒，婴儿会接着尝试不同的姿势，直到学会走路；婴儿每一次不同姿势，都在不断矫正先前错误，改进自己的行为。
在这个例子中，婴儿观察别的孩子或家长指导即录入数据，尝试姿势即模型，而摔倒即错误。
机器学习本质：模拟人类
机器学习的思想并不复杂，仅仅是对人类学习过程的一个模拟，如图所示：
机器学习与人类思考
我们在生活学习过程中，往往会积累很多“经验”，通常会将这些经验进行归纳，得到一个“规律”。
当遇到“新的问题”时，我们往往会使用这个规律，对未来出现的情况进行预测，从而指导我们的决策和行动。
同样的道理，机器学习中，首先需要的历史数据，对应“经验“；将这些数据提供给一个机器学习的算法，得到一个能反应输入与输出规律或者联系的“模型”，这个过程称为“训练”；
随着训练次数越来越多，模型越来越精确，这个时候新数据输入，就可以通过这个模型来预测了。
“训练”产生“模型”，“模型”用于“预测”。
机器学习三大关键
由此可见，实现机器学习有几个关键点：
① 首先需要找到一个模型，可以用机器去表示出来，也就是怎么把现实生活中的问题，提炼成一个机器学习的问题，这需要对问题本身有深刻的洞察；
② 其次，可以获取到数据；
③ 在训练过程过程中，需要不断衡量错误的大小，判断模型预测的结果与真实值之间的差异，优化模型，让错误越来越小；
机器学习四大分类
一般机器学习可以分为四大类：监督学习、无监督学习、强化学习、迁移学习。
这里用通俗的语言进行解释：
① 监督学习：让机器做一堆选择题，我们同时提供标准答案，机器努力训练模型，希望预测的答案与提供的标准答案是一致；
② 无监督学习：让机器做一堆选择题，但不提供标准答案，机器努力分析题目间的关系，对题目进行分类，机器也不知道标准答案是什么，但机器认为每一类别题答案是相同的；
③ 强化学习：让机器做一堆选择题，但不提供标准答案，但会有第三方老师判定机器做的对不对，对的越多，奖励越多；机器努力训练模型，希望预测的答案能够得到更多的奖励（达到目标得到正向反馈）；
④ 迁移学习：把机器已经训练好的模型迁移到新模型来帮助新模型的训练；
本文为“汽车人参考”原创，如果您觉得文章不错，请转发此文，关注“汽车人参考”是对我们最大的支持。
閱讀更多 汽車人蔘考 的文章
