学会学习
1959年，机器学习（ML）领域的先驱亚瑟·塞缪尔将其定义为“赋予计算机无需明确编程即可进行学习能力的研究领域”。
机器学习可以理解为利用经验提升性能或作出准确预测的计算方法。在这里，经验指我们能够获取的过往信息或数据，这些信息或数据已经过标注和分类。与任何计算任务一样，数据的质量和数量对于预测的准确性至关重要。
从这个角度看，机器学习似乎与统计建模十分相似。在统计建模中，我们收集数据，确认数据干净——换言之，补全、修正或删除数据中不完整、错误或无关的部分——然后使用这套干净的数据集检验假设，并作出预测和预报。统计建模背后的理念，是尝试用相对具有普适性的术语来呈现复杂问题，也就是说，用能够解释所研究的大多数事件的术语来描述。实际上，我们根据提交的数据对算法进行编程，使其执行特定功能。换句话说，算法是静态的。向其中输入数据时，需要由程序员告知它该做什么。因此，当程序员启动这种方法时，它确实很有用。
但在机器学习中，过程恰恰相反。机器学习不是预先选定模型再向其中输入数据，而是由数据决定应选择哪种分析技术，以最好地完成当前任务。换言之，计算机利用已有数据来选择并训练算法。因此，算法不再是静态的。它会分析所接触的数据，判断最佳行动方案，然后采取行动。从本质上说，它从数据中“学习”，并由此从数据中提取知识。
这种学习方式以重复为基础。请记住，算法不过是一组指令，计算机利用它将输入转换为特定输出。因此，在机器学习中，学习过程就是算法一遍又一遍地重复执行操作，并作出细微调整，直到满足一组特定条件。检验学习算法的关键标准是：当输入它此前未曾接受过训练的新数据时，它能否作出预测。
机器学习的演进
显然，数据在这一方法过程中发挥着主要作用。更重要的是，数据的结构决定了学习过程将如何进行。由此可以看到机器学习的三个层次：
监督式机器学习
在这种情况下，计算机使用标注完善的数据进行训练。这意味着数据已经标上了正确的标签或正确的结果。例如，如果我们要教计算机区分猫和狗的图片，就会按以下方式标注数据：
这一标注过程应由程序员完成。算法学会区分之后，就可以对输入的新信息进行分类，并判断新图像中的是狗还是猫。
基于这种简单方法，监督式机器学习可以用于执行复杂得多的操作。一种用途是识别数字和字母。不同的人书写数字“1”或字母“A”的方式各不相同。
手写数字1的字形。图片由作者提供。手写字母A的字形。图片由作者提供。
向计算机输入大量标注为数字“1”或字母“A”的示例，就能训练算法识别这些字符的各种写法。这样，计算机便开始学习不同写法，并越来越擅长识别这些模式。
如今，计算机识别此类手写模式的能力已经超过人类。数据集越大，算法训练得越好。训练完成后，算法会接收新数据，并利用过往经验预测结果。
无监督式机器学习
在这种情况下，算法使用没有任何标签的数据集进行训练。算法不会获知数据代表什么。此时，学习过程取决于识别数据中反复出现的模式。以猫和狗为例，算法会根据狗的固有特征，开始对接收到的图像进行区分。
在无监督学习中，算法必须使用基于推断统计学的估算方法，从原始、未经标注的数据集中发现模式、关系和相关性。识别出模式后，算法会运用统计方法找出数据集中的边界。具有相似模式的数据会被归为一组，形成数据子集。随着分类过程持续进行，算法开始理解正在分析的数据集，从而能够预测未来数据的类别。
这种数据聚类可以实现决策自动化，为无监督学习增添一层复杂性。更重要的是，它让我们能够以新的方式利用数据。知识不足之处，可以用数据来弥补。
强化式机器学习
强化学习与无监督式机器学习相似，训练数据同样没有标签。不过，当系统被询问有关数据的问题时，结果会得到评分，因此仍然存在一定程度的监督。算法接收没有标签的数据，但会获得一个带有正面或负面结果的示例。这个正面或负面评分为算法提供反馈机制，使其能够判断所给出的解决方案是否解决了问题。从本质上说，它是人类通过试错学习的计算机版本。
强化式机器学习常用于制定策略。由于决策会带来后果，其输出的行动具有指导性，而不像无监督学习那样仅作描述。这种学习方法已被用于训练计算机玩游戏。这正是谷歌于2014年收购的DeepMind公司的思路；该公司训练了他们训练算法学习如何玩雅达利游戏。
随后，该公司开发了AlphaGo，它以4比1的成绩击败了人类最优秀的职业围棋棋手，赢得了围棋比赛。围棋是世界上最复杂的游戏之一。
对企业的影响
如今，机器学习已应用于许多领域。谷歌的自动驾驶汽车就是利用机器学习开发的；如今，机器还能比人类更快地读唇。近年来，机器学习已渗透到金融业几乎所有领域。例如，机器学习正用于算法交易、分析时间序列数据、投资组合管理、欺诈检测、客户服务、新闻分析、投资策略制定等。
不过，机器学习真正的威力要通过神经网络才能充分发挥。在下一篇文章中，我们将对此作进一步探讨。
