1.2　开始机器学习

机器学习已经存在至少60年了。早期机器学习系统源于对人工智能的探索，推导出if…else语句的手工编码规则来处理数据并做出决策。考虑一个垃圾邮件过滤器，其工作是解析收到的电子邮件，并将无用的邮件移入垃圾邮件文件夹，如图1-1所示。

图1-1　垃圾邮件过滤器处理过程

我们可以列出一个单词黑名单，只要在一封邮件中出现这些黑名单中的单词，就将该邮件标记为垃圾邮件。这是手工编码专家系统的一个简单示例。（我们将在第7章中构建一个更加智能的垃圾邮件过滤器。）

如果允许我们将这些专家决策规则组合并嵌套到一棵决策树中，那么这些专家决策规则可能会变得更加复杂（第5章）。接下来，通过一系列决策步骤，我们就可以做出更明智的决策。你应该注意到，尽管决策树看起来像是一组if…else条件，但是它远不止于此，实际上这是一种机器学习算法，我们将在第5章中进行探讨。

手工编码这些决策规则有时是可行的，但有两个主要的缺点：

• 做出一个决策所需的逻辑仅适用于单个域中的一个特定任务。例如，我们无法使用这个垃圾邮件过滤器在一张图片中标记我们的朋友。即使我们想要改变垃圾邮件过滤器来做一些稍微不同的事情，例如：过滤钓鱼邮件（目的是盗取你的个人数据），我们也必须重新设计所有的决策规则。
• 手动设计规则需要对问题有一个深刻的理解。我们必须确切地知道什么类型的电子邮件构成了垃圾邮件，包括所有可能的例外。这并不像看上去那么容易，否则，我们就不会经常反复查看我们的垃圾邮件文件夹，寻找意外过滤掉的重要邮件了。对于其他领域的问题，手工设计规则简直是不可能的。

这就是机器学习的用武之地。有时，我们不能很好地定义任务——除非通过例子——我们希望机器能够自己理解并解决这些任务。在其他时候，重要的关系和相关性可能隐藏在我们人类会忽略的大数据中（见第8章）。在处理大数据时，机器学习通常可以用来找出这些隐藏关系（也称为数据挖掘）。

人工专家系统失败的一个很好的例子是检测图像中的脸。这么愚蠢，真的吗？如今，每一部智能手机都能够检测图像中的脸。可是，在20年前，这个问题基本上还没有解决。原因是，人们对脸部构成要素的认识对机器没有太大的帮助。我们并不用像素来思考问题。如果要我们来检测一张脸，那么我们可能只会寻找一张脸的决定性特征，例如：眼睛、鼻子、嘴巴等。可是，当所有的机器只知道图像有像素，像素有一定的灰度时，我们如何告诉一台机器去寻找什么呢？在很长的一段时间里，这种图像表征上的差异基本上使人们无法提出一套好的决策规则，让一台机器检测出图像中的一张脸。我们将在第4章中讨论解决这个问题的各种方法。

然而，随着卷积神经网络和深度学习的出现（第9章），在识别脸部方面，机器已经和我们人类一样成功了。我们所要做的仅仅是向机器呈现大量脸部图像集。大多数方法还需要对训练数据中脸部的位置进行某种形式的标注。从这时起，机器就能够发现可以识别一张脸的特征集，而不必像人类一样来处理这个问题了。这就是机器学习的真正强大之处。