怎么工作 AI 学习是什么意思

人来写规则

到目前为止看到的程序，都是照着人写的命令原样执行。想让它做点什么，得先由人想好规则写下来。拿过滤垃圾邮件来举例吧。
有“促销”这个词就扔掉，链接太多就扔掉，全是大写字母就扔掉。像这样把规则一条条写好，似乎大部分垃圾邮件都能挡下来。

把规则一条条打开、关上，过滤一下邮件。就算规则全开，换了模样的一封垃圾邮件还是会漏过去。

规则开得越多，挡下的垃圾邮件越多。可总有一封漏到最后，因为发垃圾邮件的人为了不被抓住，会不停地换模样：不写“促销”，改写“赠品”；把链接藏进图片里。
每次都得再写一条新规则，规则于是没完没了地增加。规则之间还会打架，定得太严，连正常邮件也会被扔掉。靠人一条条写规则，很难跟上这样的变化。

从例子里找规则

这回把路反过来走。不写规则，而是给机器看一大堆带答案的例子：成千上万封邮件，每封都标着“这是垃圾邮件”或“这是正常邮件”。
机器一边看这些例子，一边自己找出垃圾邮件之间的相似之处，和正常邮件之间的相似之处。这样找到的模式，就是机器自己定的规则。像这样从带答案的例子里学习，叫监督学习。

把带答案的例子一个个给它看。例子越多，分开两群的模式就越清楚。

例子越积越多，分开两群的界线就越来越清楚。界线不是人画的，是机器直接从例子里找出来的。
了不起的是，就连人很难用语言说清楚的区别，只要例子够多，它也能抓住。不过，一开始找到的模式还很粗糙，可能会把几个例子分错。这个模式该怎么打磨？

边犯错边一点点改

学习不是一次就完成的。机器看一个例子，先给出答案，再和正确答案比一比。错了，就量一量错了多少，把模式稍微改一点。
下一个例子又错了，就再改。这样重复无数次，出错的次数就会越来越少。怎样量错了多少、怎样改，后面会以损失函数和梯度下降的名字详细讲。

一批一批地多给些例子。每点一次，机器就改一次模式，准确率上升，错的例子减少。

每多给一批例子，准确率就上升一些。一开始只能猜对一半多一点的模式，打磨几轮后，十个里能猜对九个。
不过它不会无止境地变得完美。到了某个地步，就只能一点点地变好，最后可能还剩一个例子怎么也判不对。即便如此，比起手写规则的时候，我们用少得多的力气走到了这里。那么，这样打磨好的模式用来做什么？

也能预测新输入

学习真正的回报在这里。用来学习的例子，答案本来就知道；真正有用，是在遇到从没见过的新邮件的时候。
机器把新邮件拿来跟打磨好的模式对照，判断它是垃圾邮件还是正常邮件。因为它找到的是模式，而不是背下了例子，所以第一次见到的邮件也能给出答案。像这样对新输入猜测答案，叫预测。

点一封没用来学习的新邮件。机器用学到的模式预测它是垃圾还是正常，还会告诉你猜对没有。

没见过的邮件，大部分也分对了。它不是拿出背好的答案，而是把从例子里找到的模式用在新输入上。所以形状稍有不同，也能看相似之处来判断。
可也有像最后一封那样猜错的时候，因为模式并不完美。所以机器学习会另外留出一些没用来学习的例子，用它们来衡量对新输入能猜得多准。

小结

归纳起来是这样：普通程序照着人写的规则运行，可世上的事太复杂，规则写不完。所以机器学习把路反过来走：给它看一大堆带答案的例子，机器就会找出共同的模式，也就是规则。
错了就一点点改，越来越准，再用这个模式去预测从没见过的输入。不写规则而从例子里学，这就是核心。

依次点要点回顾一下。（人写规则 → 从例子找规则 → 边犯错边改 → 预测新输入）

现在你知道机器“学习”是什么意思了：不是人一点一点地教，而是机器看例子，自己找出规则。今天能认照片、听懂话的机器，都是从这个想法出发的。
不过，要从例子里找模式，先得会概括和解读数据。怎样用中间在哪、分散得多开这样几个数来描述一堆数据，下一课讲统计时会说明。