机器学习：实现人工智能的一种方式

机器学习的基本原理是运用算法来分析数据、从中学习，从而对真实世界中发生的事件做出决策或预测。不同于那些需要手动敲代码、输入指令来完成特定功能的程序，机器学习会通过海量大数据和算法来不断“训练”自己，并从中学习如何完成任务。

机器学习直接来源于早期的人工智能领域。传统算法包括了决策树学习（decision tree learning）、归纳逻辑编程（inductive logic programming）、聚类（clustering）、强化学习（reinforcement learning）和贝叶斯网络（Bayesian networks）等。不过人们现在还没能实现强人工智能，早期机器学习方法甚至都无法实现弱人工智能。

事实证明，机器学习的最佳应用领域是计算机视觉，尽管它还是需要大量手工编码来完成工作。人们需要编码一些分类器，比如边缘检测过滤器（edge detection filters）让程序识别对象的启止位置；形状检测（shape detection）来判断它是否有八条边；还有用来识别单词“S-T-O-P”的分类器。有了这些手工编写的分类器，人们才可以开发出能感知图像、判断图像否为“停止标志牌“的算法。

这是结果不错，但还不够好。比如遇上大雾天气，或是当标志牌被树枝遮挡住一部分时，它很可能会失灵。这就是为什么在之前很长一段时间里，计算机的视觉和图像检测功都无法媲美人类——它太容易受环境条件干扰了。

然而随着时间的推移，学习算法的发展改变了一切。