摘要：在高度結(jié)構(gòu)化的數(shù)據(jù)挖掘以及通過分析來評估和改進機器學習模型方面，是國際領(lǐng)先的研究人員。在機器學習里，我并沒有涉及強化學習的內(nèi)容。這些準備讓讀者了解機器學習能做什么，然后我的書能幫助他們了解機器學習怎么工作。

非商業(yè)轉(zhuǎn)載請注明作譯者、出處，并保留本文的原始鏈接：http://www.ituring.com.cn/art...

Peter Flach，布里斯托大學人工智能教授，擁有20多年的機器學習教研經(jīng)驗。在高度結(jié)構(gòu)化的數(shù)據(jù)挖掘以及通過ROC分析來評估和改進機器學習模型方面，F(xiàn)lach是國際領(lǐng)先的研究人員。他著有Simply Logical: Intelligent Reasoning by Example，也是Machine Learning期刊的總編。曾擔任2009年ACM知識發(fā)現(xiàn)與數(shù)據(jù)挖掘國際會議、2012年歐洲機器學習與數(shù)據(jù)挖掘國際會議的程序委員會共同主席。

《機器學習》是迄今市面上內(nèi)容最全面的機器學習教材之一，書中匯集了所有用于理解、挖掘和分析數(shù)據(jù)的先進方法，并且通過數(shù)百個精選實例和解說性插圖，直觀而準確地闡釋了這些方法背后的原理，內(nèi)容涵蓋了機器學習的構(gòu)成要素和機器學習任務(wù)、邏輯模型、幾何模型、統(tǒng)計模型，以及矩陣分解、ROC分析等時下熱點話題。

本書寫作思路清楚，邏輯性強。作者首先介紹了機器學習的基礎(chǔ)知識，然后提供了大量有價值的結(jié)論、對若干機器學習技術(shù)性能的洞見，以及許多核心算法的高層偽代碼，巧妙地引領(lǐng)讀者循序漸進地學習。

——Fernando Berzal，Computing Reviews

點擊查看英文版

電影《機器姬》里，藍書軟件公司CEO——Nathan Bateman利用世界范圍內(nèi)的數(shù)據(jù)搜索、信息處理來培育人工智能，成功創(chuàng)造了兼具人類外表和思維的機器人Ava?？苹秒娪坝幸欢ǖ那罢靶裕詸C器學習的深入真的能讓AI成為現(xiàn)實嗎？人工智能是禍還是福？

任何形式的智能，無論人工創(chuàng)造的與否，都要通過經(jīng)驗、和周圍環(huán)境的互動獲得提高發(fā)展。的確，機器學習是人工智能領(lǐng)域里重要的一部分，但它還需要比如常識推理、計劃等其他的能力。

人工智能的福禍取決于我們?nèi)绾问褂盟?，對它采取怎樣的保障措施。在某些領(lǐng)域，人工智能技能已經(jīng)取代了人類，所以我們（不能陷入無盡的恐慌之中）而要想辦法確保這些人有其他的工作可做。機器人對抗人類、擁有自主追求的想法，目前來講還不大可能，但人類確實需要考慮如何避免這種情況的發(fā)生。如果這只是個有趣的哲學問題就好了！

機器學習在大數(shù)據(jù)處理方面如何起作用？請給我們簡單介紹下。

首先，你要問問自己，搜集到的數(shù)據(jù)有沒有包含足夠的信息解決問題。最好把問題簡化到幾乎可以動手就能解決的程度，然后看看利用這些數(shù)據(jù)構(gòu)建的機器學習模型是否可以解決這個簡單的問題。如果可以，你再進一步增加問題的難度；如果不可以，就需要搜集更多更好的數(shù)據(jù)！

語音識別技術(shù)是機器研究領(lǐng)域的一個重要方向。在2015年語音識別頂級會議interspeech上，關(guān)于魯棒語音識別領(lǐng)域的識別模型主要基于深層神經(jīng)網(wǎng)絡(luò)。這是否意味著信號級別上的語音增強、降噪、過濾已經(jīng)過時了？

深度學習在語音和圖像識別方面非常成功。雖然很強大，但深度學習需要大量的數(shù)據(jù)支持和高密度地運算。這對人類來說還是個“黑匣子”，我們雖然可以利用它解決一些問題，卻不知道如何構(gòu)建。有些技術(shù)比如過濾很容易理解，我們也可以根據(jù)使用情況判斷技術(shù)的重要性。就比如，許多人并不知道汽車的工作原理，卻絲毫不影響他的駕車技術(shù)；但如果要駕車穿過撒哈拉大沙漠，他就必須了解汽車是如何工作的。

目前人們用來打開“黑匣子”的一個做法是，先訓練深層神經(jīng)網(wǎng)絡(luò)得到良好的性能，然后根據(jù)深層神經(jīng)的輸出結(jié)果，訓練淺層神經(jīng)網(wǎng)絡(luò)或者其他解釋性技術(shù)，來理解“黑匣子”。

前段時間，AlphaGo和李世乭的圍棋對弈很火。您是否可以從機器學習的角度給些建議，比如AlphaGo應(yīng)對挑戰(zhàn)時，如何進行搜索，獲得應(yīng)對走法？在無數(shù)的可選走法中，如何做到全局觀把握？

在玩兒圍棋或者Go這樣的游戲時，電腦會通過一個包含所有可行走法的數(shù)據(jù)樹，不僅包括自己的應(yīng)對走法也充分考慮對手的走法。這個樹的所有數(shù)據(jù)都是AlphaGo自己跟自己對抗時獲得的，賽數(shù)驚人得大，就算我們一生都在玩圍棋也無法完成。這樣，它會形成兩個深層網(wǎng)絡(luò)：一個用來計算每種可行走法，一個用來計算每個棋盤位置。這種學習叫作強化學習。在《機器學習》里，我并沒有涉及強化學習的內(nèi)容。假如時間允許，我會考慮在第二版里加入這部分內(nèi)容。

這次人機大戰(zhàn)中機器的勝利會不會鼓勵更多的人學習研究機器學習？

我開始系統(tǒng)研究機器的時候，并不是每個人都認為計算機科學是門真正的學科，更別說人工智能、機器學習這些不尋常的領(lǐng)域了?，F(xiàn)在，好萊塢電影、人機對戰(zhàn)等都加入了這些引人注意的元素，確實是件好事。卻也不免充斥著大量的炒作，誘導人們產(chǎn)生不切實際的期望。以學術(shù)態(tài)度系統(tǒng)地研究機器，追求的是，事物間細微的差別而不是大肆的宣傳。當然，越多人研究學習機器對機器學習的發(fā)展越好！

您能給機器學習方面的自學者提供些建議嗎？他們首先需要做哪些方面的準備？

構(gòu)思《機器學習》的時候，我有嘗試考慮自學者的需要，但他們確實需要一些背景知識方面的準備：一點概率和統(tǒng)計方面的知識，懂點兒邏輯和線性代數(shù)。另外，最好還能玩轉(zhuǎn)一些機器學習軟件：Python的scikit-learn現(xiàn)在很受歡迎，R和Matlab也提供了很多機器學習庫。這些準備讓讀者了解機器學習能做什么，然后我的書能幫助他們了解機器學習怎么工作。

-------------------------------------------------------------------------------------------------------------------------------

——更多訪談