第3章

能够探知的机器：机器学习和模式识别

我们通过陈述使用数据作为证据并不是什么新鲜事来开始讨论数据科学和分析。另外，我们在第1章中看到了数据科学如何从经验科学、数学、商业智能、模式识别和机器学习中获取工具，如何成为许多重叠任务的重要组成部分。在本章中，我们将把注意力集中在模式识别和机器学习上，以便为目前探索的思想提供背景知识，并构建我们将在后面章节中讨论的算法。

3.1　认知模式

人类的一个重要能力——能够识别刺激中的结构和秩序，得益于我们之前获得的信息。从这个角度来看，人类在认知心理学的领域有很高的造诣，对语言的使用以及记忆力、创造力和思维的研究是人类的主要兴趣。毋庸置疑，识别模式的先天能力并非人类独有，在动物中也很常见。别担心，我们不打算讨论感知过程或物体识别理论。然而，简要地考虑特征分析的心理学理论可能是有用且具有说服力的。

在特征分析中，我们通过考虑对象的组成部分或特征来识别对象，然后将它们组合在一起以确定对象是什么。例如，我们知道猫是一种小型的毛茸茸的动物，有三角形的耳朵、长长的胡须和俏皮的爪子。当我们看到一只猫时，我们能辨别出它是猫，是因为它满足了这些（被简化的）条件。

已经有论文探讨了如何使用猫脸（和人体）的神经元测试集来进行图像识别，因此，基于对算法的使用，模式识别领域对数据集中的规则性的系统检测感兴趣。然后我们可以使用这些模式来执行对猫等对象进行分类的操作。这听起来很熟悉吧？

所讨论的数据集不一定受限于猫的特征或身体的部分。事实上，挖掘模式一直是数学、物理或化学等科学领域的基础。举一个Tycho Brahe（第谷·布拉赫）和Johannes Kepler（约翰尼斯·开普勒）的例子：布拉赫有条不紊地记录天体的位置，开普勒解开这些测量背后的奥秘并总结在众所周知的开普勒定律中。

正如想象的那样，识别模式确实很有用，它在诸多应用领域发挥重要的作用。模式识别已经是一个学术领域了，它是作为科学和工程的一部分逐步发展起来的，产生了一系列非常实际的应用问题。

尽管如此，在开发技术方面，工程学并不是唯一的，计算机科学等其他领域也开发了在数据中挖掘规律的能力。因此，停止在各个独立的知识领域继续寻找，而是重点关注它们最终会聚的地方将会是一种有趣的体验。我们会讨论心理学、物理学、数学、工程学和计算机科学。

基于这些知识领域的进步，以及对人类思维的持续好奇，人们提出了旨在了解各个领域的一系列问题。特别是自我反思使我们把注意力转向自己，并使大脑成为研究的热门领域。关于这个话题，仍然有很多未解之谜。

努力了解自己的一个重要目标是解释大脑如何工作以及它如何成为复杂活动的中心。例如，这项活动表现为创造力、认知、学习或智力。

有可能理解这个奇妙的器官吗？如果可能，我们可以复制它的功能吗？进入人工智能领域！