人工智能自学习的简单介绍

首先，无监督学习。如果是分析大量的资料和数据，并从中找到共性和相似的模型，这种方法是最理想的选择。比如，也许某些患者具有类似的疾病症状，或者某种治疗会产生特定的副作用。这种宽范围的模型搜寻方法可用于识别患者症状之间的相似性并找到新出现的模型，而这一切都无需人工指导。

但是，我们想象一下，医生需要的是更为具体的症状和治疗方案。这些医生希望创建一种用于诊断特定症状的算法。他们首先收集两组数据-分别是来自普通患者和诊断出该病的患者的医学图像和测试结果。然后，他们将这些数据输入到一个程序中，该程序旨在识别患病患者而非普通患者所共有的特征。该程序会根据查看某些特征的频率，为这些特征的诊断意义分配权重，从而生成用于诊断未来患者的算法。但是，与无监督学习不同，医生和计算机科学家在接下来的过程中起着积极的作用。医生将做出最终诊断，并检查算法预测的准确性。然后，计算机科学家可以使用更新的数据集来调整程序的参数并提高其准确性。这种人为参与的方法称为监督学习。

现在，假设这些医生想设计一种算法来推荐治疗计划。由于这些计划将分阶段实施，并且可能会根据每个人对治疗的反应而有所变化，因此医生决定使用强化学习。该程序使用迭代方法来收集有关不同药物，剂量和治疗方案的反馈结果。然后，它将数据与每个患者的个人资料进行比较，以创建针对不同患者的最佳治疗计划。随着治疗的进行以及程序收到更多反馈结果，它可以不断为每位患者更新计划。通过将三种机器学习方法一起使用，研究人员可以构建复杂的AI系统，其中各个程序可以相互监督和相互指导。例如，当我们的无监督学习程序发现相似的患者组时，可以将数据发送到与之连接的有监督学习程序。然后，该程序可以将此信息合并到其学习过程中。也许数十种强化学习计划可能会模拟潜在的患者治疗结果，以收集有关不同治疗计划的反馈。

创建这些机器学习系统的方法很多，也许最有前途的模型是模仿大脑神经元之间关系的模型。这些人工神经网络可以使用数百万个连接来解决诸如图像识别，语音识别甚至语言翻译之类的困难任务。但是，这些模型变得越具有自我指导性，计算机科学家就越难确定这些自学成才的算法如何实现其解决方案。但是，随着AI越来越多地参与我们的日常生活，这些机器学习对我们的工作，健康和安全产生越来越大的影响。因此，随着机器不断地自我学习、分析和彼此通信，我们必须考虑的事情是如何教会机器按照人类社会的伦理和道德准则来运行。