谁说理解机器学习必须要熟读高数？
近日，数据科学Kyle在Medium发布博客表示，理解机器学习在做的事情，有初中数学知识足矣。
这篇博客简洁易懂、幽默风趣，在Medium上几天内获得600多赞。量子位将文章翻译整理如下，与大家分享：
当下理解我们人工智能的方式通常比较极端，要么通过媒体，越来越耸人听闻的观点让人难以想象。要么通过文献，充满晦涩语言和特定术语的论文让人难以理解。
理解AI的正确姿势应该在两个极端之间，这就需要你在新闻或文献之外理性判断，对于一般人来说，至少应该知道AI是什么。
这几乎是没有门槛的，我认为理解AI，中学数学知识就足够了。这篇文章我将简化人工智能中的数学，带你拨开云雾看本质。
在这里给大家推荐一个python系统学习q群：250933691有免费开发工具以及初学资料，（数据分析，爬虫，AI, 机器学习，神经网络）每天有老师给大家免费授课，欢迎一起交流学习
- 简单版AI和机器学习概念
能模仿人类的智慧，这是最具代表性的AI的定义。
AI可以有多重“形态”，从虚拟游戏里的机器人、谷歌DeepMind开发的下围棋程序AlphaGo，到现实世界里索菲亚这样的人型机器人，这都是AI“寄生”的场所。
那AI和相关报道中经常提到的机器学习和深度学习是什么关系，请看下面这张图：
人工智能（AI）：泛指任何可以让计算机模拟人类智慧的技术，可以通过逻辑、if-then等规则、决策树和机器学习（包括深度学习）等方法实现。
机器学习：AI的一个子分类，让机器通过真实世界的数据去“学习”，而非单调执行预先设定的规则。
深度学习：机器学习的子类，包含一系列算法。机器通过多层神经网络去处理数据，自己学习去执行任务。在语言和图像识别等任务中经常看到。
发现了么，机器学习的最大特色之一，就是它的“学习”方式不同了。这里的“学习”，其实也没有看起来那样有未来感，你在初中可能就已经接触过了。
如果你看过《黑镜》里类似的桥段，就比较容易将现在AI可视化成一个有意识的实体，一个有思想、感觉、可以做出复杂决策的物体。
在媒体的报道中这种观念更为普遍，甚至经常会把AI人格化，然后将其与电影《终结者》里的天网（Skynet）和《***帝国》里的Matrix相提并论。
实际上这都不是真的。在现阶段AI就是数学。有时是高难度的数学，有时需要扩展到计算机科学、统计学等其他领域的知识。但AI的核心是一种数学函数。
也就是说，机器学习可以从y=mx+b这个方程式来理解。如下图所示，我们已经知道了x值y值，此时需要让一台计算机通过输入（x）和输出（y）去思考两者之间的关系，推断出m和b的值。
这个公式推断起来不难吧，y=1x+1，小学生也会做。就是这样，我们创造一个公式来描述所给的数据，这大体上也是机器学习在做的事情。
这之间最有趣的部分就是，怎样教机器选择最适合这些数据的公式。一旦找到这其中的关联，你还可以将它用图表的形式表现出来。
- 你不懂的数学，拿给机器去做吧
y=1x+1是个非常简单的例子，我们需要机器学习最主要的原因是，人类无法在数百万量级的数据点中找到合适的公式，这就是计算机要去做的事了。
无论如何，必须有足够多的数据才能找到正确的公式。如果我们仅仅有x=1和y=2两个数据点，输出的函数也是千变万化的，可能是y=2x，可能是y=x+1,，也可能是y=([x+1]*5–9)? + 1等等。
根据少量数据构建公式，然后把它用到更多数据上，这个公式可能会出现大量错误。
并且，现实世界总不可能一直这么完美。在下面这个动图中可以看到，机器会在一堆数据中进行取舍，探索怎样最大化去满足这些数据，进而才去创造公式。
和数学课上那些规律输入和输出值不同，真实世界的数据更不可预测，也更“参差不齐”。
△ 最佳公式
当面对一堆变量时，人类找出合适公式的可能性更小了。只有x和y很容易，但如果y受x的1次方、2次方、100次方的影响呢？
人类就hold不住了，但计算机可以。
- 现实生活中的机器学习和AI
来看一个现实生活中的例子。我在制药领域工作，就举个×××相关数据集的例子好了。
这个数据集中有两个关于肿瘤大小的输入变量，即半径和周长，以及两个潜在的输出，即良性肿瘤和恶性肿瘤。用我们上述思路来考虑，这事就是这样的：
y：诊断结果，可以是0（良性）或1（恶性）
x1：半径
x2：周长
每个x都有一个位置的m，先称之为“某数”吧
b：依然是一个未知数
那么这个线性方程长什么样？其实和上面的例子也没什么太大区别：
诊断结果=（某数1×半径）+（某数2×周长）+b
这样看来，这道题已经脱离了人类能力的范围了，所以不用费时间去找这么多变量与结果的关系了，我们可以让机器去做，这之间就是机器学习！
在这里给大家推荐一个python系统学习q群：250933691有免费开发工具以及初学资料，（数据分析，爬虫，AI, 机器学习，神经网络）每天有老师给大家免费授课，欢迎一起交流学习
原文地址：https://blog.51cto.com/14217196/2357255