《智能系统与技术丛书 生成对抗网络入门指南》—1.2机器学习与深度学习

1.2　机器学习与深度学习

       2012年以后，随着信息爆炸带来的数据量猛增、计算机算力的高速提升和深度学习的出现以及运用，人工智能的研究领域不断扩展，迎来大爆发。除了传统的专家系统、机器学习等，进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统也接二连三有了里程碑式的成果，见图1-10。

图1-10　人工智能的分支

       机器学习属于人工智能的分支之一，且处于核心地位。顾名思义，机器学习的研究旨在让计算机学会学习，能够模拟人类的学习行为，建立学习能力，实现识别和判断。机器学习使用算法来解析海量数据，从中找出规律，并完成学习，用学习出来的思维模型对真实事件做出决策和预测。这种方式也被称为“训练”。深度学习是机器学习的一种实现技术，在2006年被Hinton等人首次提出。深度学习遵循仿生学，源自于神经元以及神经网络的研究，能够模仿人类神经网络传输和接收信号的方式，进而达到学习人类的思维方式的目的。

       简而言之，机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术，而本书的主角生成对抗网络则是深度学习中的一种分类。它们之间的关系可以通过图1-11清晰地表示。

图1-11　人工智能、机器学习、深度学习与生成对抗网络四者的关系

1.2.1　机器学习分类

       在机器学习或者人工智能领域，有几种主要的学习方式，分为监督式学习、无监督式学习、强化学习。监督式学习主要用于回归和分类，无监督式学习主要用于聚类。

       监督式学习是从有标签训练集中学到或建立一个模式，并根据此模式推断新的实例。训练集是由输入数据（通常是向量）和预期输出标签所组成。当函数的输出是一个连续的值的时候称为回归分析，而当预测的内容是一个离散标签的时候，我们称它为分类。

       无监督式学习是另外一种比较常用的学习方法，与监督式学习不同的是，它没有准确的样本数据进行训练。举个例子，比如我们去看画展，如果我们对艺术一无所知，是很难直接区分出艺术品的流派的。但当我们浏览完所有的画作后，可以有一个大概的分类，哪怕不知道这些分类对应的准确的绘画风格是什么，但是却可以把观看过的两个作品归为一个类型。这就是无监督式学习的流程，即并不需要人力来输入标签，适用于聚类，把相似的东西聚在一起，而无所谓这一类到底是什么。

       强化学习是另外一种重要的机器学习方法，强调如何基于环境而行动，以取得最大化的预期利益。在这种模式下，输入的样本数据也会对模型进行反馈，不过不像监督式学习里面那样直接告诉正确的分类，强化学习的反馈仅仅检查模型的对错，模型会接收到类似于奖励或者惩罚的刺激后，逐步做出调整。相比于监督式学习，强化学习更加专注于规划，需要在探索未知领域和遵从现有知识之间找到一个合理的平衡点。监督式学习、无监督式学习和强化学习的区别见图1-12。

图1-12　监督学习、无监督学习和强化学习的区别