# 机器学习的定义
- 机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能,特别是如何在经验学习中改善具体算法的性能。
- 机器学习是对能通过经验自动改进的计算机算法的研究。
- 机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。
所以说,机器学习是人工智能系统的重要组成部分,人工智能的每次突破,背后的机器学习算法都有改进。机器学习是依据经验数据改进系统自身性能的算法。
是不是和数据有关的问题都可以进行机器学习?
不是。比如:破译密码。机器学习的能力是有上限的。
# 机器学习定义的变化
传统的机器学习定义:learning from data.
最新(大模型时代之前)的机器学习定义:learning from tasks. 包括:
- 多任务学习:multi-task learning.
- 强化学习:reinforcement learning.
- 元学习:meta learning.
- Google AutoML: 自动选模型 + 调参。
机器学习的最终目标是 learning to learn. 即实现 AGI 的目标。
概念区分:
只要是模仿人类智能的技术都是人工智能。
深度学习和传统机器学习的最大差别就是特征提取。深度学习依靠神经网络自动进行特征提取。
现在,两个重要能力是数据工程能力和系统工程能力。业界最急缺的也是这两类人才。模型的创新也离不开这两点。
研一上学期要灌水,下学期就不要灌了。
目前的机器学习是大模型、大数据与大算力的集合。