大數(shù)據(jù)時代機器學(xué)習(xí)的新趨勢

文/楊福建

在大數(shù)據(jù)時代影響下，機器學(xué)習(xí)發(fā)展主要包括兩個研究方向，其一為學(xué)習(xí)機制，重點在于模擬人類學(xué)習(xí)機制。其二為有效信息利用，重點在于從大數(shù)據(jù)庫中進行潛在知識的深入挖掘。在現(xiàn)代大數(shù)據(jù)環(huán)境發(fā)展下，分析相關(guān)數(shù)據(jù)已經(jīng)成為各個行業(yè)發(fā)展的重要方向，在此過程中，機器學(xué)習(xí)能夠迅速吸收知識，推動機器學(xué)習(xí)得到更高程度的發(fā)展。在目前大數(shù)據(jù)環(huán)境影響下，如何更為科學(xué)的應(yīng)用學(xué)習(xí)手段是實現(xiàn)機器學(xué)習(xí)的重要目的，相關(guān)工作人員必須對其加強重視，為了對其具有更為明確的認知，特此展開本次研究。

1 機器學(xué)習(xí)常見方法

1.1 監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)具體是基于提前設(shè)定的學(xué)習(xí)準則，例如要求分類精度最高或均方誤差最小，通過科學(xué)應(yīng)用學(xué)習(xí)算法對其學(xué)習(xí)模型中的相關(guān)參數(shù)進行有效調(diào)整，最終目的是獲得最優(yōu)模型，以此為基礎(chǔ)，對其新樣例的類標進行科學(xué)預(yù)測，輸出內(nèi)標概率分布。通常情況下學(xué)習(xí)模型具體包括貝葉斯分類器，邏輯回歸，決策樹，支持向量機，神經(jīng)網(wǎng)絡(luò)等多種類型。通常情況下，在進行學(xué)習(xí)模型訓(xùn)練集中過程中就要開始應(yīng)用數(shù)值分析或優(yōu)化方法。例如，在支持向量機內(nèi)，需要科學(xué)應(yīng)用二次優(yōu)化方法，而在神經(jīng)網(wǎng)絡(luò)內(nèi)，則需要應(yīng)用梯度優(yōu)化方法。

1.2 無監(jiān)督學(xué)習(xí)

在學(xué)習(xí)過程中，無監(jiān)督學(xué)習(xí)通常沒有可利用信息，無監(jiān)督學(xué)習(xí)在具體工作過程中用于處理特征，不對其監(jiān)督信號進行操作，與密度估計具有極為緊密的聯(lián)系，例如，學(xué)習(xí)從數(shù)據(jù)分布中進行相關(guān)樣本聚類，尋找數(shù)據(jù)分布流形和采樣等相關(guān)工作時，無監(jiān)督學(xué)習(xí)的具體工作任務(wù)在于尋找相關(guān)數(shù)據(jù)的最佳表示，在此過程中，針對不同問題，“最佳”所體現(xiàn)的含義也存在很大程度的差異性，例如在分析主成分時，最佳的含義是尋求表達數(shù)據(jù)最優(yōu)投影子空間。對于流行學(xué)習(xí)而言，最佳所表達的具體含義是探尋事件真實分布的流形。聚類分析是無監(jiān)督學(xué)習(xí)最為常見的一種表現(xiàn)形式，通常是基于數(shù)據(jù)自身特性科學(xué)劃分集中的數(shù)據(jù)樣例，使其形成多個簇，相對于不同簇而言，簇內(nèi)樣例具有更大的相似性，層次聚類，自組織映射和k均值聚類是最為常見的幾種聚類方法。在具體進行無監(jiān)督學(xué)習(xí)過程中，基于給定數(shù)據(jù)值科學(xué)選擇相似性度量是其極為重要的一項工作，在此過程中，具體包括基于相似性和基于距離的度量。

1.3 半監(jiān)督學(xué)習(xí)

該技術(shù)是通過利用傳統(tǒng)機器計算弊端進行工作的新型機器學(xué)習(xí)技術(shù)。通常情況，傳統(tǒng)機器在處理數(shù)據(jù)過程中，普遍是采取損失數(shù)據(jù)形式對其未標識數(shù)據(jù)進行有效處理，在此過程中，會丟失一部分數(shù)據(jù)，該種學(xué)習(xí)方法也可以在一定程度內(nèi)稱為無監(jiān)督學(xué)習(xí)。而監(jiān)督學(xué)習(xí)則具體是對已經(jīng)完成標識工作的數(shù)據(jù)進行處理。半監(jiān)督學(xué)習(xí)位于二者之間，能夠?qū)哂械赜驑俗R的數(shù)據(jù)進行有效處理，同時也可以進一步合理分類未標識數(shù)據(jù)，并對其重新進行處理，進而對未標識數(shù)據(jù)中有用部分進行科學(xué)分類，確保回收利用相關(guān)數(shù)據(jù)，進而確保相關(guān)數(shù)據(jù)具有更大的利用率，同時避免出現(xiàn)數(shù)據(jù)浪費現(xiàn)象。尤其是在大數(shù)據(jù)時代發(fā)展狀況下，數(shù)據(jù)泛濫導(dǎo)致未標識數(shù)據(jù)遠遠超出標識數(shù)據(jù)，如果不對其位標識數(shù)據(jù)進行重新分類梳理，會在一定程度內(nèi)浪費大量有價值的數(shù)據(jù)。

1.4 強化學(xué)習(xí)

該項學(xué)習(xí)技術(shù)具體是指利用環(huán)境智能體交互，基于環(huán)境反饋學(xué)習(xí)選擇可以實現(xiàn)最終學(xué)習(xí)目標的動作，使其實現(xiàn)最優(yōu)。在此過程中，延遲回報與試錯搜索是其極為重要的兩項特征。在具體工作過程中，馬爾科夫決策過程理論是其學(xué)習(xí)的重要基礎(chǔ)，以智能體能否基于MDP模型知識進行有效學(xué)習(xí)能夠強化學(xué)習(xí)劃分為模型相關(guān)和模型無關(guān)兩種算法。

1.5 集成學(xué)習(xí)技術(shù)

集成不同學(xué)習(xí)系統(tǒng)的學(xué)習(xí)技術(shù)具體是指科學(xué)整合不同學(xué)習(xí)技術(shù)，對現(xiàn)有學(xué)習(xí)系統(tǒng)進行合理優(yōu)化，實現(xiàn)各取所長的一項學(xué)習(xí)架構(gòu)。就發(fā)展原理而言，可以將其簡單概括為團結(jié)就是力量，無論是機器設(shè)備，還是人工作業(yè)，團隊力量都是其相關(guān)工作開展的必然條件，單個學(xué)習(xí)系統(tǒng)系統(tǒng)具有更大的功能，也無法超越集成系統(tǒng)的應(yīng)用優(yōu)勢，共同使用不同機器學(xué)習(xí)系統(tǒng)，不僅能夠進一步應(yīng)對目前大數(shù)據(jù)時代發(fā)展狀況下產(chǎn)生數(shù)據(jù)處理問題，也是實現(xiàn)機器學(xué)習(xí)擬人的一個重要發(fā)展方向。除此之外，在具體應(yīng)用集成學(xué)習(xí)技術(shù)過程中，現(xiàn)有學(xué)習(xí)系統(tǒng)也是不可或缺的基礎(chǔ)條件，同時，對其進行廣泛應(yīng)用也可以在一定程度內(nèi)為數(shù)據(jù)分析和處理在進一步發(fā)展提供更多的方向。

2 機器學(xué)習(xí)發(fā)展趨勢

2.1 提升泛化能力

在進行機器學(xué)習(xí)過程中，通過有效學(xué)習(xí)推廣最優(yōu)方案，使其逐漸成為能夠廣泛應(yīng)用的方案是其相關(guān)工作的最終目的?；诖?，泛化能力是未來機器學(xué)習(xí)的重要發(fā)展趨勢，同時也是較為普遍的一項重要問題，哪個行業(yè)在具體應(yīng)用機器學(xué)習(xí)過程中，都在不斷提升其泛化能力。就目前發(fā)展現(xiàn)狀而言，支持向量機這一定程度內(nèi)結(jié)合了理論知識和實踐技能，是具有較高綜合性的學(xué)習(xí)方法。

2.2 提升學(xué)習(xí)速度

在大數(shù)據(jù)時代高速發(fā)展過程中，數(shù)據(jù)產(chǎn)生的速度極其數(shù)量得到了很大程度的發(fā)展，在不同領(lǐng)域具體應(yīng)用機器學(xué)習(xí)過程中，如何實現(xiàn)機器學(xué)習(xí)速度的有效提升是其相關(guān)工作人員關(guān)注的重點問題，同時也是檢驗機器學(xué)習(xí)是否能夠高度滿足現(xiàn)代發(fā)展標準的重要條件。在對機器計算速度進行評價時，與其計算速度相關(guān)的內(nèi)容，具體包括訓(xùn)練和預(yù)測兩個方面，二者之間具有不可分割的重要聯(lián)系，前者是指對具體計算過程中獲得最優(yōu)方案的分度，而后者是指應(yīng)用最優(yōu)方案展開計算獲得結(jié)果的具體速度，二者的有效結(jié)合能夠?qū)C器計算速度進行更為科學(xué)的衡量。

2.3 提升學(xué)習(xí)可理解性

對于大多數(shù)用戶而言，機器通常是在幕后進行計算過程，用戶只需要輸入相關(guān)指令，并可以獲取輸出數(shù)據(jù)內(nèi)容，但是對其數(shù)據(jù)內(nèi)容產(chǎn)生的過程，原因和方式缺乏必要的認知，導(dǎo)致用戶在面對具有更高復(fù)雜性的相關(guān)數(shù)據(jù)時，機器學(xué)習(xí)能力普遍較差，使用戶無法遵循進行有效解決，造成這種現(xiàn)象的主要原因相關(guān)人員在具體應(yīng)用機器學(xué)習(xí)算法過程中，不斷稀釋其可解釋性，對其缺乏重視，而在大數(shù)據(jù)時代高速發(fā)展的今天，靜靜的可解釋性也作為其計算學(xué)習(xí)評價體系中極為重要的一項數(shù)據(jù)考核標準。

2.4 提升使用能力

在傳統(tǒng)機器學(xué)習(xí)算法中，通常是針對已經(jīng)標識的數(shù)據(jù)展開學(xué)習(xí)，但是在我國網(wǎng)絡(luò)技術(shù)高速發(fā)展過程中，數(shù)據(jù)分析技術(shù)也得到了很大程度的提升，未標記數(shù)據(jù)為多個領(lǐng)域帶來了較大的機器學(xué)習(xí)壓力，例如醫(yī)學(xué)影像資料或垃圾郵件等。與此同時，在多個領(lǐng)域受到噪聲信息大，屬性缺失或不一致等垃圾數(shù)據(jù)不良干擾，對其相關(guān)人員正常使用影像數(shù)據(jù)造成一定程度的不良影響。例如，在開展具體工作過程中，不同樣本數(shù)據(jù)之間存在很大程度的差異，導(dǎo)致產(chǎn)生新的問題，在次過程中，需要科學(xué)應(yīng)用未標記在相關(guān)數(shù)據(jù)信息對不平衡數(shù)據(jù)和垃圾數(shù)據(jù)造成的影響進行有效處理，從而確保相關(guān)數(shù)據(jù)具有更高的使用。

2.5 提升敏感性問題處理能力

在目前大數(shù)據(jù)環(huán)境影響下，研究如何降低錯誤率是機器學(xué)習(xí)算法的重要工作，而各行業(yè)與相對學(xué)科在發(fā)生錯誤時，具有不同的代價容忍度，即使是在相同行業(yè)或相同學(xué)科中進行差異化判斷，所產(chǎn)生的代價之間也存在一定的差異性。例如極其在判斷小偷入室搶劫行為時，可能會將行竊行為誤判為業(yè)主回家，或?qū)I(yè)主回家行為誤判為小偷行竊，二者代價之間具有很大的差異性。在我國傳統(tǒng)機器學(xué)習(xí)算法中，普遍需要綜合考量同等代價，在未來發(fā)展過程中，需要確保能夠更為有效的解決敏感性代價問題。在近幾年來發(fā)展過程中，部分專家在機器學(xué)習(xí)算法中引進信號相關(guān)理論和診斷分析法，代價敏感是未來機器學(xué)習(xí)算法應(yīng)用的一個重要方向。

3 結(jié)束語

總而言之，在實現(xiàn)機器學(xué)習(xí)過程中，監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，半監(jiān)督學(xué)習(xí)，強化學(xué)習(xí)和基層學(xué)習(xí)技術(shù)是其較為常見的幾種學(xué)習(xí)方法，在開展具體工作過程中必須，對其進行深入分析，與此同時，有效提升泛化能力，學(xué)習(xí)速度，學(xué)習(xí)可理解性，使用能力，敏感性問題處理能力是其未來發(fā)展的必然趨勢，能夠使其進一步滿足大數(shù)據(jù)時代發(fā)展需求，推進國家經(jīng)濟水平的有效提升，進而為我國現(xiàn)代經(jīng)濟水平和科技力量的進一步提升創(chuàng)造良好的條件，使其在未來國際競爭中占據(jù)更高優(yōu)勢。