本文作者：Oliver Schabenberger, CTO, SAS
最近我多次被問到統(tǒng)計(尤其是統(tǒng)計建模)、機器學(xué)習(xí)和人工智能之間有何區(qū)別。其實這三者之間在目標、技術(shù)和算法方面有很多重疊的部分。引起困惑的原因不僅僅是因為這些重疊部分，也是因為我們被很多非科普文中的時髦詞兒給迷惑了。
統(tǒng)計建模
統(tǒng)計建模最基本的目標是回答一個問題：哪一種概率模型可以產(chǎn)生我所觀察到的數(shù)據(jù)?因此你必須：
1、 從一個合理的模型群里挑出候選模型
2、預(yù)估未知變量(參數(shù)，Aka擬合模型到數(shù)據(jù)中)
3、比較擬合模型與其他備選模型
舉個例子，如果你的數(shù)據(jù)需要計算，例如流失客戶數(shù)或者細胞分裂數(shù)，那么泊松模型(Poisson)、負二項模型或者零膨脹模型(zero-inflated model)都可能適用。
一旦某統(tǒng)計模型被選定，那預(yù)估模型將用于測試假設(shè)、創(chuàng)建預(yù)測值以及置信測量。預(yù)估模型將成為我們解析數(shù)據(jù)的透鏡。我們從未宣稱選定模型就能產(chǎn)生數(shù)據(jù)，但是我們能觀察它基于某驗證推理在隨機過程所獲取的合理近似值。
驗證推理是統(tǒng)計建模的一個重要部分。舉例而言，要決策到底是哪一種或者哪三種醫(yī)療設(shè)備可以讓病患獲得最好的治療，你也許會感興趣使用一個模型，該模型能捕獲某種數(shù)據(jù)機制來判斷該病患在接受不同治療所獲得的不同結(jié)果。如果某個模型可以很好地捕獲數(shù)據(jù)產(chǎn)生機制，那么其也可以在那些被觀察數(shù)據(jù)區(qū)間內(nèi)做出很好的預(yù)測，甚至可能預(yù)測出新的觀察結(jié)果。
經(jīng)典機器學(xué)習(xí)
經(jīng)典機器學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動型技術(shù)，受模式識別啟動，專注于回歸算法和分類算法。其潛在的隨機機制通常并沒有作為最首要一項關(guān)注點。當(dāng)然很多機器學(xué)習(xí)技術(shù)也能通過隨機模型和回歸計算來定義，但是數(shù)據(jù)并不被認為是由其模型直接生成的。因此，最重要的關(guān)注點是識別到底是執(zhí)行哪項特定任務(wù)的算法還是技術(shù)鑒定(或者集成方法)：也就是說客戶到底最好被分段于K(數(shù)據(jù)集群或聚類)，還是DBSCAN，或者是決策樹，或者是隨機森林，又或者是SVM?
簡而言之，對統(tǒng)計人員來說模型是第一位的，對機器學(xué)習(xí)者而言，數(shù)據(jù)是第一位的。因為機器學(xué)習(xí)的終點是數(shù)據(jù)，而不是模型。將數(shù)據(jù)分離出來去做訓(xùn)練集和測試集的驗證技術(shù)(鑒定方法)是很重要的。一個解決方案的質(zhì)量高低并不僅僅依賴p-值，而是需要證明這個解決方案在以前不可見數(shù)據(jù)中是否表現(xiàn)良好。將一個統(tǒng)計模型擬合到一個數(shù)據(jù)集，或者將一個決策樹訓(xùn)練成一個數(shù)據(jù)集，將會需要融合一些未知值的預(yù)估值。該決策樹的最佳分割點取決于從屬變量的條件分布參數(shù)的預(yù)估值。
對我而言，沒有什么技術(shù)被證明可以自我學(xué)習(xí)。訓(xùn)練才是成型某種學(xué)習(xí)的必要過程，換句話說，這意味著要獲取一項新的技能技術(shù)，訓(xùn)練就是學(xué)習(xí)的一部分。訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)取決于輸入數(shù)據(jù)的權(quán)重和偏差，如果它學(xué)習(xí)分類，而該網(wǎng)絡(luò)就變形成為一個分類器。
現(xiàn)代機器學(xué)習(xí)
機器學(xué)習(xí)系統(tǒng)如果不是編程去執(zhí)行一個任務(wù)，而是編程去學(xué)習(xí)執(zhí)行一項任務(wù)，那么這就是一個真正的學(xué)習(xí)系統(tǒng)，我把這叫做現(xiàn)代機器學(xué)習(xí)。就像經(jīng)典機器學(xué)習(xí)的變體，這也是一個數(shù)據(jù)驅(qū)動型的實踐。但不一樣的地方是，現(xiàn)代機器學(xué)習(xí)不僅僅是依賴于豐富的算法技術(shù)，幾乎所有的這類機器學(xué)習(xí)的應(yīng)用都基于深度神經(jīng)網(wǎng)絡(luò)技術(shù)。
這個領(lǐng)域我們現(xiàn)在傾向于稱它為深度學(xué)習(xí)，一種機器學(xué)習(xí)的細分，經(jīng)常應(yīng)用于人工智能，也就是說讓機器去執(zhí)行人類的任務(wù)。
數(shù)據(jù)扮演什么角色?
現(xiàn)在我們可以通過數(shù)據(jù)所承擔(dān)的角色來區(qū)分統(tǒng)計建模、經(jīng)典機器學(xué)習(xí)和現(xiàn)代機器學(xué)習(xí)。
在統(tǒng)計建模里面，數(shù)據(jù)引導(dǎo)我們?nèi)ミx擇隨機模型，來形成對不同問題概率的抽象表達，例如假設(shè)、預(yù)測和預(yù)報。
在經(jīng)典機器學(xué)習(xí)里，數(shù)據(jù)驅(qū)動的是對分析技術(shù)的選擇，如何最佳地執(zhí)行即將任務(wù)，這是數(shù)據(jù)訓(xùn)練算法。
在現(xiàn)代機器學(xué)習(xí)里，數(shù)據(jù)驅(qū)動基于神經(jīng)網(wǎng)絡(luò)算法的系統(tǒng)，去學(xué)習(xí)具體任務(wù)，系統(tǒng)可以自動判定數(shù)據(jù)常量規(guī)則。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)的過程中，系統(tǒng)逐漸學(xué)習(xí)到執(zhí)行任務(wù)，就像某人所說：“是數(shù)據(jù)在做編程。”
您可能也喜歡這些文章
a&s傳媒是全球知名展覽公司法蘭克福展覽集團旗下的專業(yè)媒體平臺，自1994年品牌成立以來，一直專注于安全&自動化產(chǎn)業(yè)前沿產(chǎn)品、技術(shù)及市場趨勢的專業(yè)媒體傳播和品牌服務(wù)。從安全管理到產(chǎn)業(yè)數(shù)字化，a&s傳媒擁有首屈一指的國際行業(yè)展覽會資源以及豐富的媒體經(jīng)驗，提供媒體、活動、展會等整合營銷服務(wù)。
粵公網(wǎng)安備 44030402000264號
