你还记得第一次尝试按照食谱做菜的时候吗？也许是巧克力曲奇饼干或者辣味莎莎酱。当你浏览食谱指导时，你会遇到像“折叠”、“搅拌”、“炒”和“调温”这样的术语。如果你在厨房里是个新手，这些术语可能看起来像一种神秘的语言。但是一旦你明白了它们的含义，它们就从令人困惑的行话转变为帮助你制作美味食物的有用指南。
这与机器学习（ML）的初始阶段相似。当你试图理解这个具有变革性的技术时，有许多术语和概念可能会成为你的绊脚石。但是不要担心！这就是我们在这里的原因。我们的工作是用简单的日常语言解释复杂的技术术语，以便每个人都能理解。
在今天的文章中，我们将解读十个最常见的机器学习术语。我们将用平实的日常语言、借用日常生活的比喻和例子来解释这些概念，使它们像烤一批饼干一样容易理解！
让我们开始吧！
1. 机器学习 — 让计算机学习
当我们谈论机器学习时，我们指的是教计算机从数据中学习的方式，就像我们从经验中学习一样。想象一下学习骑自行车。你练习得越多，保持平衡和转向的能力就越好。每一次摔倒，你都会学到一些不应该做的事情，每一次成功的骑行，你都会巩固应该做的事情。
这正是我们在基于云的机器学习中模拟的过程。我们教导计算机从数据中学习（相当于练习），做出明智的预测（类似于骑自行车），并随着每一次迭代逐渐改进。
在机器学习的背景下，数据可以是图像、文本、数字或者计算机可以处理和学习的任何其他东西。
2. 监督学习 — 引导学习
你是否曾经在导师或教练的指导下学习一项新技能？他们会引导你、纠正你，并提供反馈，帮助你学习和提高。这在机器学习的世界中就是监督学习。
在监督学习中，我们有一个包含输入数据和正确输出的数据集。这就像有一本既有问题又有答案的教科书。算法从这些数据中学习，理解输入和输出之间的关系。
让我们以电子邮件垃圾邮件过滤为例。该系统通过数千封已标记为“垃圾邮件”或“非垃圾邮件”的电子邮件进行训练。该系统学会了哪些特征（例如某些词语、电子邮件地址或格式）可能会使电子邮件成为垃圾邮件。一旦它学会了这些，它可以开始预测一封新的、以前未见过的电子邮件是否为垃圾邮件。
因此，监督学习就像有一位老师提供指导和反馈的学习方式，帮助算法学习并进行准确的预测。
3. 无监督学习 — 独立探索者
想象一个孩子玩着一堆不同的玩具 —— 小车、娃娃、积木、球。没有人告诉他们，他们可能会开始根据相似性将这些玩具分组，比如把所有的小车放在一起，所有的娃娃放在另一个地方。这种本能的组织方式非常类似于机器学习中的无监督学习。
与监督学习不同，无监督学习使用的是无标签数据。系统不知道正确的输出。相反，它通过发现输入数据中的模式和结构来学习。
再以电子邮件为例，无监督学习中，我们只有没有任何垃圾邮件/非垃圾邮件标签的电子邮件。然而，系统可以根据相似性对它们进行分组，比如根据相似的词语或发件人将它们分组。这样，它可能会将垃圾邮件聚类在一起，不是因为它知道它们是垃圾邮件，而是因为它发现了模式。
因此，无监督学习就像是一个自我激励的探险者，可以在没有任何指导或监督的情况下理解新的、陌生的领域。
4. 强化学习 — 试错专家
回想一下当你还是个孩子学骑自行车的时候。没有人给你具体的规则，而是你尝试、失败、调整，然后再次尝试。你通过反复试错学会了平衡、踩踏和转向。这与另一种机器学习类型——强化学习非常接近。
与监督学习或无监督学习不同，强化学习完全是关于互动和从错误中学习的。系统通常被称为代理，它做出决策，在环境中采取行动，并获得奖励或惩罚。积极的奖励强化良好的行为，而惩罚则会阻止不良行为。
让我们以一个视频游戏的场景为例：一个虚拟玩家（代理）在迷宫（环境）中导航。目标是尽快找到出口。每次错误的转弯（不良行为）都会导致时间惩罚（负奖励），而正确的转弯（良好行为）则使玩家更接近出口（正奖励）。随着时间的推移，玩家学会了最佳路径，不是因为它被教导，而是因为它从自己的行为及其结果中学到了。
这就是强化学习的要点——通过试错学习最佳策略以获得最大的奖励！
5. 神经网络：智能网络
想象一下你的大脑。它是由突触连接的大量神经元组成的庞大网络。每个神经元接收输入信号，处理它们，并将输出信号发送给其他神经元。这个复杂的网络是我们所有思维、决策和行动的基础。在机器学习中，我们有一个类似的系统，叫做神经网络。
神经网络是一种算法系统，它在某种程度上设计成模仿人脑。它从处理过的数据中学习，并且甚至可以学习学习本身的过程！它由层次结构组成：一个输入层接收数据，一个输出层做出决策或预测，中间的隐藏层用于处理数据。
想象一下你正在尝试在不同的图片中识别一只猫。输入层接收图片，隐藏层可能会识别出尖耳朵、胡须或者尾巴等模式，输出层决定它是否是一只猫。神经网络的美妙之处在于它们可以自己学会识别这些模式！
因此，神经网络就像是一个虚拟的大脑，可以学习、识别模式，并根据接收到的数据做出决策。
6. 深度学习
在探索人工智能的奇妙世界时，你可能已经接触过“深度学习”这个术语。听起来相当强烈，不是吗？但是，不要害怕！让我们来拆解一下。
把深度学习想象成一位超级明星演员，他们在自己的角色中非常出色，因为他们已经重复练习了无数次。这里的“剧本”就是深度学习系统从中学习的大量数据。它不断地从这些数据中练习（或“学习”），直到在它的工作上变得非常出色，无论是识别猫的图片、翻译语言还是预测天气模式。
深度学习是机器学习的一个子集，使用了我们已经讨论过的神经网络。但这些不仅仅是普通的神经网络。它们是大而复杂的网络，有很多层次，因此被称为“深度”的深度学习。这些层次中的每一层在帮助系统更好地理解数据方面都发挥着作用。就像我们的超级明星演员了解自己的角色的每一个小细节，以便给出出色的表演一样。
还记得我们在神经网络中使用的图片识别的例子吗？在深度学习中，网络不仅会识别出图片中有一只猫，还可能会识别出这只猫的品种，或者它是坐着还是站着。它可以变得非常高级！
最后，深度学习只是一种擅长从大量数据中学习的机器学习方法。这也是为什么人工智能近年来频频登上头条新闻的原因之一！
7. 过拟合和欠拟合
当我们学习一项新技能，比如弹吉他时，可能会面临两种可能的挑战。一方面，我们可能会尝试完全按照原曲演奏，和原曲完全一样，这样一来，如果有一点小变化，比如使用了稍微不同的吉他或不同的调式，我们可能很难适应。另一方面，我们可能只学习了几个基本和弦，并且用这些和弦演奏每首歌，使得每首歌听起来都差不多。
在机器学习中，这两种情况被称为过拟合和欠拟合。过拟合就像试图完全按照原曲演奏一样，模型对训练数据学得太好，对于新的、未见过的数据表现不佳。欠拟合就像对每首歌都只用同几个和弦演奏一样，模型太简单，无法捕捉数据中的所有细微差别。
挑战在于找到一个平衡点，一个足够复杂以从数据中学习的模型，但不至于过于复杂以至于无法适应新信息。就像能够演奏一首歌，同时在变化发生时能够适应一样。
8. 特征提取：突出重要事物
还记得小时候玩“我看见了什么”游戏吗？你需要扫描环境，专注于特定的细节以找到隐藏的物体。这有点像机器学习中的特征提取。它是从整个数据集中选择最重要的数据或“特征”，以进行进一步的分析和处理的过程。
想象你和你的朋友像侦探一样，努力解决一个神秘的案件。有很多线索（数据），但并不是所有线索都有用或相关。你会试图找出最能说明问题的线索（特征），以帮助你解决案件。这就是特征提取的要点！
特征提取非常重要，因为如果有太多不相关的数据，机器学习算法可能会混淆。通过专注于重要的特征，您可以帮助算法更好地执行并进行更准确的预测。
9. 标签：监督学习中的姓名标签
你有没有去过一个需要佩戴姓名标签的聚会？那张小纸片非常重要，不是吗？它告诉每个人你是谁，而无需每次都自我介绍。这在监督学习中的标签的作用有点类似！
监督学习，记住，就像是教师和学生的场景。学生（机器学习模型）正在从教师（数据集）中学习。但是，教师不只是向学生抛掷一大堆信息。不，教师会仔细给每个信息贴上标签，告诉学生它是什么。就像在聚会上给客人们贴上姓名标签一样。
在机器学习的背景下，‘标签’是我们想让模型学会预测的答案或结果。它是数据的‘姓名标签’。所以，如果我们正在构建一个能够识别猫和狗图片的系统，标签就会是‘猫’和‘狗’。通过向模型展示一系列图像及其相应的标签，我们教会它识别和区分猫和狗。
10. 算法
我们来想象一道食谱。食谱会逐步指导你制作一道菜。它告诉你需要哪些成分，以及数量和具体的步骤来准备这道菜。
在机器学习的世界中，算法就像食谱一样。它是机器学习模型遵循的一系列步骤，用于从数据中学习并进行预测或决策。
例如，让我们想象一下之前标记猫和狗图片的例子。算法就是告诉模型如何完成这个任务的一组指令。它可以说：“看这张图片，分析其特征，将这些特征与你对猫和狗的了解进行比较，然后决定它是猫还是狗。”
就像有无数种不同的菜谱一样，不同的机器学习算法适用于不同的任务 – 有些适合分类图像，而其他一些则更适合预测未来趋势，等等。
选择适合您任务的正确算法是机器学习的关键部分。这有点像挑选合适的食谱来烹饪一顿让朋友们赞叹的美食！
结论
今天我们已经开始了一段相当漫长的旅程，不是吗？从火车站到烹饪，从水果篮到图画书，我们从不同的角度看待了机器学习的世界。我们希望这些日常例子让这些听起来复杂的术语变得更加平易近人和易于理解。
在我们的博客上，我们经常发布使用简单易懂的日常语言来解密复杂技术术语的文章。对于那些有兴趣阅读更多此类文章的人，请考虑订阅我们的新闻通讯。它是免费的，我们每周发布一次。