在《一文了解人工智慧（AI）》文章中我們介紹了AI可以解決哪些複雜的問題。這些問題無法透過固定的規則來解決，需要機器根據以往的例子進行比較評估，做出最終的判斷。機器需要模仿人類對事物進行學習。
人類的學習過程可以拆分為以下幾個階段：知覺、記憶、對比和歸納、總結和實踐。
感知：透過自己的感官（視覺、聽覺、觸覺、味覺和嗅覺）獲取外界的訊息，觀察和體驗周圍的環境和發生的事情。除了親身感受之外，為了更有效率的獲取訊息，人們透過聽故事、閱讀書籍和觀看影片來了解曾經發生過的事情。
記憶：當我們獲取到新資訊後，我們會將以後需要使用的資訊記在大腦之中，並拋棄認為不需要的資訊。
對比與歸納：人們了解新資訊的最佳方法是與自己記憶中的資訊進行比較。透過對比資訊的相似性和差異性，理解新資訊並對不同的資訊進行分類。
總結：人們將一個個獨立的訊息整合在一起，推導出訊息之間的連結及規律。建構起訊息的網絡，幫助理解事情的原因和結果。
實踐：學習的意義是將獲得的知識應用到現實生活中。在解決問題的過程中驗證知識的適用性和正確性。在驗證的過程中，又進入新的一輪感知過程。
學習過程示意圖
在這五個步驟中，記憶是電腦最擅長的事情，自然及人文類的資料知覺是一個需要消耗大量人力的過程，可以透過儀器檢測的資料指標則可以自動化的進行資料收集。第三步的比較和歸納以及第四步的總結是演算法實現的部分。機器學習程序與普通程序最大的不同在於實踐的部分。普通的軟體程式輸出結果後，便完成了整個流程。但是機器學習程式可以對每次的結果進行評分，然後演算法可以根據評分調整運算的結果。
由於機器需要運行的結果回饋來進行學習，所以機器學習演算法的開發過程包含了演算法編寫和學習兩個階段。機器學習階段也被稱為訓練階段，在此階段使用已知的資料進行學習和驗證。對每次訓練的結果進行評估，然後對演算法進行調整。這種學習的過程分為兩種：監督學習和無監督學習。
監督學習適合待解決的問題有明確預期，希望機器可以對未來出現的同類問題進行預測。監督學習的訓練資料必須成對出現，包含程式輸入的特徵資訊和程式輸出的結果資訊。監督學習訓練時，訓練集隨機分成兩份：一份用於對程式進行訓練，另一份用於驗證演算法的處理結果是否符合預期。
無監督學習用於探索資料之間的關係和規律，獲得的是某個問題的結果。無監督學習的訓練資料只有程式輸入的特徵訊息，訓練時使用整份資料進行學習。無監督學習所獲得的訓練的結果無法用訓練集進行驗證，需要單獨進行評估後，再對演算法進行調整。
機器學習的過程模仿了人類學習的流程。在了解機器學習的過程中，我們只是在學習一個IT類的知識，我們也可以反思自身的學習過程如何進行最佳化。
以上是一文了解人工智慧如何讓機器學習？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
