机器是如何适应解决化学问题吗
我们在一个机器时代,学习如何解决复杂的问题。然而,虽然标题是当电脑可以打败人类去或者超越他们速配、更强大的计算机和数据集越大,意味着机器学习已经在更微妙的方式影响着我们。所使用的算法等网络巨头谷歌,Netflix和亚马逊的形状我们买什么,我们看电影,全球经济如何运作。在化学中,相同的概念可以帮助我们开发新的药物,材料和流程。机器学习是什么,它是如何工作的呢?
机器学习是什么?
大多数计算机程序(软件)采取严格定义的一组信息,并返回一个结果基于指定的规则。这个工作在这种情况下,选项的数量会相对较小,我们已经知道的有效途径选择正确答案。例如,有证据确凿的数学计算(算法)找一个数的平方根通过使用简单的算术。我们可以写出这些算法听得懂的语言与我们的电脑为了使的一个软件计算平方根。
在机器学习中,电脑不是显式地告诉如何解决手边的问题:它仅仅是由于大量的训练数据,包含示例(数字)和相应的答案(根)。然后将学习预测的一种通用方法,正确答案在这个话题上提供任何信息。
机器学习是人工智能的一样吗?
不是真的。机器学习有时被认为是人工智能(AI)的一个分支,但情况比这更复杂。早期的机器学习的研究是人工智能研究社区的一部分;在1990年代,人工智能和机器学习社区分离。这些天,许多人工智能系统大量使用机器学习的方法,所以从某种意义上说,两个字段是画得更近了。话虽这么说,还是有系统可以被认为是人工智能的学习但不是必需的。例如,蒙在客机将做出复杂决定如何保持一个平面稳定可用的数据,但它是必要的为了安全原因,个人蒙不努力学习飞行的更好方法。
为什么这个有用吗?
计算根很容易教,但机器学习电脑可以学习如何解决问题时不容易描述正确的程序,如回答这个问题“有这张照片的人吗?随着计算机科学越来越发达,电脑能学习更复杂的任务和表现人类在挑选最好的输出大量的可能的候选人。
例如,在药物发现电脑是用于大规模筛选候选人来识别可能的研究。假设我们想要找到一个新的药物,绑定到一个特定的蛋白质。这样做,之前我们需要屏幕成千上万的分子——一个昂贵和耗时的过程。相反,我们可以创建一个计算机程序来预测不同分子的亲和力,减少潜在的药物数量的候选人。
首先,我们会收集一些数据我们已经知道绑定到这种蛋白质分子。然后,我们会要求电脑看看我们可以很容易地找出每个分子的数量(如可旋转的债券和电子基组)的数量。最后,我们会告诉计算机,我们想知道绑定关联。使用训练数据,计算机将如何使用它的程序。
这就产生了另一个问题:我们必须告诉计算机做什么它会理解。
我们如何跟电脑?
不幸的是,我们不能用语言——机器学习需要的资料列表的数据,称为向量。这听起来限制,但事实上,我们可以创建一个向量对几乎任何事情。例如,呈现出黑白照片作为一个向量,我们只会把它想象为一个网格的小方块(像素)和每平方数。我们可以告诉计算机该像素是90%(或0.9)的黑暗,这像素是78%(0.78)暗…”等等。这将持续到整个图像被描述为一个矢量,然后可以与其他向量训练数据。
任何问题,我们可以想象一个算法总是给你正确答案当你开始与一个特定的向量。这就是所谓的“基本功能”。在机器学习中,电脑告诉使用“函数近似”——试图找到一种计算出大约相同的结果作为底层函数。通过精炼的这些结果是正确的,结果越来越准确。这如何亚马逊学会推荐产品根据您的特定利益。
所以,直到机器接管多久?
机器已经可以超越人类的任务,包括识别模式,并得出结论——即使在任务看起来非常人,等赢得智力竞赛节目和唇读。对于那些已经见过Terminator这是相当令人不安的;但不要恐慌。目前,我们只能够训练机器把输入从一个高度特定的域(酒店的英语文本、照片)到一个小范围的可能的输出。换句话说,一个机器,可以走进一个酒吧,需求你的衣服,你的靴子,你的摩托车很长的路要走:如果我们创建它,这就是它能够做。
还没有评论