什么是机器学习？

机器学习是计算机科学的一个领域，它使用静态技术赋予计算机系统“学习”的能力数据，没有 被明确编程。

这意味着，“ML 就是从数据中学习”

显式编程意味着，为每个场景编写代码，以处理该情况。

在机器学习中，我们不是为每个场景编写明确的代码，而是训练模型从数据中学习模式，允许它们做出预测或针对未见情况的决策。

因此，我们给出输入和输出，但不要为每种情况编写任何代码。机器学习算法自动处理它们。

一个简单的例子可以使用：

求和函数：

在显式编程中，要添加 2 个数字，我们编写仅适用于这种情况的特定代码。如果不加修改，此代码将无法用于添加 5 个或 N 个数字。

相比之下，通过 ML，我们可以提供一个 Excel 文件，其中每行包含不同的数字及其总和。当机器学习算法在此数据集上进行训练时，它会学习加法模式。将来，当给定 2、10 或 N 个数字时，它可以根据学习到的模式执行加法，而不需要针对每个场景编写特定代码。

我们在哪里使用机器学习？

• 垃圾邮件分类器：

在显式编程中，我编写了多个 if-else 条件，例如：“如果某个关键字出现 3 次或以上，则会被标记为垃圾邮件。”例如，如果“Huge”一词使用 3 次，则会被标记为垃圾邮件。

现在，想象一家广告公司意识到有这样的算法可以检测他们的垃圾邮件。因此，他们不会重复“巨大”3次，而是使用“巨大”、“大规模”和“大”等同义词。在这种情况下，原来的规则就不起作用了。解决办法是什么？我应该再次改变我以前的算法吗？我能做到多少次？

在ML中，模型从提供的数据中学习并根据该数据自动创建算法。如果数据发生变化，算法会相应调整。无需手动更改算法，它会根据新数据根据需要自行更新。

• 图片分类：

在图像分类的显式编程中，我们需要手动编写规则来识别狗的特征，例如它的形状、大小、毛皮颜色或尾巴。这些规则仅适用于特定图像，并不能很好地推广到所有狗品种。如果我们遇到新品种或变种，我们需要为每个品种添加新规则。

在ML中，我们没有编写特定的规则，而是为模型提供了按品种标记的狗图像的大型数据集。然后，该模型从数据中学习模式，例如不同品种的共同特征，并使用学到的知识对新的狗图像进行分类，即使它以前没有见过这些确切的品种。该算法自动适应数据的变化。

而且，机器学习有数千种用途。你可能想知道，
为什么机器学习在 2010 年之前没有那么流行？

• 存储容量有限，硬盘短缺，难以存储大量数据。
• 没有足够的可用数据来有效地训练机器学习模型。
• 硬件限制，例如功能较弱的 GPU 和处理器，限制了高效运行复杂算法的能力。

如今，我们每天都会生成数百万个数据点。利用如此大量的数据，机器学习模型现在变得更加准确、高效，并且能够解决复杂的问题。他们可以学习模式、做出预测并自动执行医疗保健、金融和技术等各个领域的任务，从而改善决策并推动创新。

感谢您花时间阅读本文。