机器学习简介

在 iOS 应用程序中，我们使用 CoreML 将机器学习整合到 iOS 应用程序中。 它是 Apple 在 iOS 应用程序中使用预训练模型的框架。 在本教程中，我们将讨论什么是机器学习，它的不同类型，包括一些机器学习的实际例子。

机器学习是研究领域，它允许计算机在没有明确编程的情况下进行学习。 使用机器学习，我们不需要为计算机提供明确的指令来响应某些特殊情况。 我们需要为计算机提供训练，以找到特定问题的实时解决方案。 象棋游戏是一个著名的例子，它使用机器学习来下棋。 该代码让机器学习，并在重复的游戏中优化自己。

机器学习大致分为两个主要类别。

1. 监督机器学习
2. 无监督机器学习

监督式学习

监督学习类似于有一个培训师或老师，他监督所有机器的反应，并逐步告诉特定问题的解决方案。 这就像一种手把手的教导计算机该做什么的方式。 监督学习的一个实时例子是使用计算机识别不同类型的图像。 作为人类，我们也是通过这种模式学习的，因为我们被教导通过重复接触来识别不同的物体，例如汽车。 机器也是用同样的方式被教导的。

我们将一组不同的特定图像输入到机器中，其中每张图像都有一个特定的标识符来识别图像的类型。 但是，计算机被教导，以便每次特定像素混合出现在计算机前面时； 它可以识别加载到模型数据集中的图像类型。

监督学习的工作方式是计算机可以通过之前的接触来学习； 例如，如果计算机看到一个汽车物体并将其识别为汽车，那么下次，它应该能够通过识别许多与之前识别的汽车图像相似的特征来识别汽车物体的任何不同图像。

当我们训练一个用于图像识别的机器学习模型时，我们会呈现许多图像，其中每张图像都附有一个标签，以便数据可以被清楚地标记并存储在机器学习模型中。 一旦我们完成训练，我们应该呈现一个不属于训练数据一部分的对象的图像，并且机器应该能够通过对它之前的学习进行分类来识别它。

这是监督学习最基本的一种类型，称为分类。 我们的机器学习模型必须能够对不同的图像组进行分类。 必须对其进行编程，以便可以根据其独特的特征识别不同的对象。 但是，我们可以创建一个通用分类器，这样它就不依赖于学习数据。 我们不需要在更改训练数据时对整个模型进行重新编码。

无监督式学习

在监督学习中，将特定的数据集加载到计算机中，以便通过重复接触数据集来学习。 在本文的这一部分，我们将讨论无监督学习。 它是机器学习的另一种主要类型之一。 我们没有提供明确标记的训练数据，而是提供无结构的训练数据进行无监督学习。 我们希望模型感知数据集，以便它学会找到无结构数据中的结构。

换句话说，我们可以说，在无监督学习中，我们不告诉计算机数据的类型。 相反，我们希望计算机通过观察数据的组织方式来查看数据中的结构。

一种无监督学习被称为聚类，其中计算机查看数据集及其特征，并且可以找出维护数据的单独聚类。

强化学习

我们已经介绍了监督学习，在其中我们将标记的训练数据加载到机器学习模型中，以便计算机可以对数据进行分类并执行回归以识别数据集。 我们还介绍了无监督学习。 我们加载了在单独的集群中分组的无结构的未标记数据集，我们希望计算机足够智能以识别单独的集群。

在本文的这一部分，我们将讨论强化学习。 作为人类，我们在强化学习方面经验丰富。 我们倾向于通过强化来学习。 例如，如果通过一条充满交通堵塞的路线行驶，我们将在其他日子里忽略走同一条路线。 我们通常会遇到两种强化，1. 正强化，2. 负强化。

同样，机器在强化算法的情况下也是如此。 强化学习的一个实时例子是象棋游戏，其中具有强化学习算法的计算机计算了每一步的获胜概率。 计算机可能会在每一步都遇到正强化和负强化。 但是，通过多次训练循环并练习越来越多的游戏，计算机将了解在哪些情况下采取哪些行动会导致其获胜率的提高。