从翻译应用到自动驾驶汽车，我们使用的一些最重要的技术都由机器学习 (ML) 提供支持。本课程将介绍机器学习背后的核心概念。
机器学习提供了一种解决问题、回答复杂问题和创建新内容的全新方式。机器学习可以预测天气、估计出行时间、推荐歌曲、自动补全句子、总结文章，以及生成前所未见的图片。
简单来说，机器学习是指训练一段称为模型的软件，使其能够根据数据做出有用的预测或生成内容（例如文本、图片、音频或视频）。
例如，假设我们想要创建一个预测降雨量的应用。我们可以使用传统方法或机器学习方法。如果采用传统方法，我们需要创建地球大气层和地表的基于物理学的表示形式，并计算大量的流体动力学方程。这非常困难。
如果使用机器学习方法，我们会向机器学习模型提供大量天气数据，直到该模型最终学习到产生不同降雨量的天气模式之间的数学关系。然后，我们会向模型提供当前天气数据，让它预测降雨量。
检查您的理解情况
机器学习系统类型
机器学习系统根据其学习预测或生成内容的方式，可分为以下一个或多个类别：
- 监督式学习
- 非监督式学习
- 强化学习
- 生成式 AI
监督式学习
监督学习模型在看到大量包含正确答案的数据后，可以发现数据中产生正确答案的元素之间的关联，从而做出预测。这就像学生通过学习包含问题和答案的旧考试来学习新知识。当学生练习了足够多的旧考试题后，就可以充分准备好参加新考试了。 这些机器学习系统是“监督式”的，因为人类会向机器学习系统提供已知正确结果的数据。
监督式学习最常见的两个应用场景是回归和分类。
回归
回归模型可预测数值。例如，预测降雨量（以英寸或毫米为单位）的天气模型就是一种回归模型。
如需查看更多回归模型示例，请参阅下表：
| 场景 | 可能的输入数据 | 数值预测 |
|---|---|---|
| 未来房价 | 房屋面积、邮政编码、卧室和浴室数量、地块面积、抵押贷款利率、房产税率、建造成本以及该区域的待售房屋数量。 | 住宅的价格。 |
| 未来行程时间 | 历史路况信息（从智能手机、交通传感器、网约车和其他导航应用收集）、与目的地的距离以及天气状况。 | 到达目的地所需的时间（以分钟和秒为单位）。 |
分类
分类模型可预测某事物属于某个类别的可能性。与输出为数值的回归模型不同，分类模型输出的值用于指明某事物是否属于特定类别。例如，分类模型用于预测电子邮件是否为垃圾邮件，或照片中是否包含猫。
分类模型分为两组：二元分类和多类别分类。二元分类模型会输出仅包含两个值的类中的一个值，例如，输出 rain 或 no rain 的模型。多类别分类模型会输出一个值，该值来自包含两个以上值的类别，例如，可以输出 rain、hail、snow 或 sleet 的模型。
检查您的理解情况
非监督式学习
非监督式学习模型通过接收不包含任何正确答案的数据来进行预测。非监督式学习模型的目标是识别数据中的有意义模式。换句话说，模型没有关于如何对每条数据进行分类的提示，而是必须推断自己的规则。
一种常用的非监督式学习模型采用了一种称为聚类的技术。模型会找到划分自然分组的数据点。
图 1. 一种用于对相似数据点进行聚类的机器学习模型。
图 2. 具有自然分界的聚类群组。
聚类与分类的不同之处在于，聚类中的类别不是由您定义的。例如，非监督式模型可能会根据温度对天气数据集进行聚类，从而揭示定义季节的细分。然后，您可能会尝试根据对数据集的了解来命名这些聚类。
图 3. 一种用于聚类相似天气模式的机器学习模型。
图 4. 标记为下雪、雨夹雪、下雨和不下雨的天气模式聚类。
检查您的理解情况
强化学习
强化学习模型通过根据在环境中执行的操作获得奖励或惩罚来进行预测。强化学习系统会生成一种策略，用于定义获得最多奖励的最佳策略。
强化学习用于训练机器人执行任务，例如在房间内走动，以及训练 AlphaGo 等软件程序来玩围棋。
生成式 AI
生成式 AI 是一类可根据用户输入生成内容的模型。例如，生成式 AI 可以创作独特的图片、音乐作品和笑话；还可以总结文章、说明如何执行任务或编辑照片。
生成式 AI 可以接收各种输入，并生成各种输出，例如文本、图片、音频和视频。它还可以采用这些输入源的组合。例如，模型可以接受图片作为输入，并生成图片和文本作为输出；也可以接受图片和文本作为输入，并生成视频作为输出。
我们可以根据生成模型的输入和输出来讨论它们，通常写为“输入类型”-“输出类型”。例如，以下是生成式模型的部分输入和输出列表：
- 文本到文本
- 文本到图像
- 文本到视频
- 文生代码
- 文字转语音
- 图片和文生图
下表包含生成式模型、其输入和可能的输出示例：
| 型号 | 输入 | 输出示例 |
|---|---|---|
| 文本到文本 | 勒芒耐力赛是谁创办的？ |
勒芒 24 小时耐力赛由西部汽车俱乐部 (ACO) 创办，该俱乐部成立于 1906 年。首届赛事于 1923 年 5 月 26 日和 27 日在萨尔特赛道举行，该赛道是一条 13.426 公里（8.345 英里）的公路赛道，位于法国勒芒镇附近。该赛事最初的设想是推广 ACO 和萨尔特地区。 来源：Bard |
| 文本到图像 | 一只外星章鱼一边看报纸一边漂浮着穿过传送门。 |
 来源：Imagen |
| 文本到视频 | 一只逼真的泰迪熊正在旧金山的海里游泳。 泰迪熊潜入水中。泰迪熊在水下与五颜六色的鱼一起游泳。一只熊猫在水下游泳。 |
 来源：Phenaki |
| 文生代码 | 编写一个 Python 循环，用于遍历数字列表并输出质数。 |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) 来源：Bard |
| 图片转文字 |  |
这是一只火烈鸟。它们分布在加勒比地区。 资料来源： Google DeepMind |
生成式 AI 如何运作？从高层面上讲，生成模型会学习数据中的模式，以生成新的但类似的数据。生成式模型如下所示：
- 通过观察他人的行为和说话风格来学习模仿他人的喜剧演员
- 通过学习大量特定风格的画作来学习以特定风格绘画的艺术家
- 通过聆听特定音乐团体的众多音乐作品来学习如何发出该团体声音的翻唱乐队
为了生成独特而富有创意的输出，生成式模型最初采用非监督式方法进行训练，即模型学习模仿其训练所用的数据。有时，模型会使用与模型可能需要执行的任务（例如总结文章或编辑照片）相关的特定数据，通过监督式学习或强化学习进一步训练。
生成式 AI 是一项快速发展的技术，人们不断发现新的应用场景。例如，生成式模型可自动移除分散注意力的背景或提升低分辨率图片的质量，从而帮助企业优化其电子商务商品图片。