在看到這個新技術(shù)的時候，首先去檢索一下機器學(xué)習(xí)的基本概念，使用任何一個搜索引擎都可以，我們將機器學(xué)習(xí)作為關(guān)鍵字輸入到搜索引擎中，就可以得到檢索結(jié)果，我摘抄了一點如下：
機器學(xué)習(xí)可以分成下面幾種類別：
監(jiān)督學(xué)習(xí)從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個函數(shù)，當新的數(shù)據(jù)到來時，可以根據(jù)這個函數(shù)預(yù)測結(jié)果。監(jiān)督學(xué)習(xí)的訓(xùn)練集要求是包括輸入和輸出，也可以說是特征和目標。訓(xùn)練集中的目標是由人標注的。常見的監(jiān)督學(xué)習(xí)算法包括回歸分析和統(tǒng)計分類。
監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的差別就是訓(xùn)練集目標是否人標注。他們都有訓(xùn)練集且都有輸入和輸出，無監(jiān)督學(xué)習(xí)與監(jiān)督學(xué)習(xí)相比，訓(xùn)練集沒有人為標注的結(jié)果。
通過上述內(nèi)容可以看出，機器學(xué)習(xí)就是建立起一個函數(shù)，這個函數(shù)能夠能夠在有輸入時，輸出一個想要的值。這個函數(shù)是根據(jù)已經(jīng)有的輸入和輸出訓(xùn)練出來的。乍一看到這段內(nèi)容，感覺這和自動化差不多，此時為了搞清楚和自動化的區(qū)別，我們可以檢索下：“機器學(xué)習(xí)和自動化的區(qū)別”，我摘抄一點檢索結(jié)果如下：
二、自動化與當代 AI 的區(qū)別
如果把每個圖像和這個圖像是否是樹葉記錄下來，哪怕是最快的計算機也無法查找和存儲這些多的信息。這恰恰是當初計算機所辦不到的事情，沒有辦法僅通過演示幾個例子就能讓計算機搞清楚其他沒有演示的情況，也就是學(xué)習(xí)能力。
曾經(jīng)計算機所執(zhí)行的指令都是人類所學(xué)到的知識。如今的人工智能所產(chǎn)生的突破并非有了意識，而是能夠讓計算機自己來從有限的例子中學(xué)到知識，然后將學(xué)到的知識用于今后的預(yù)測中。
這也是自動化與目前AI最大的區(qū)別，即知識是否是由機器自己發(fā)現(xiàn)的，這也正是很多張口閉口都是AI的人壓根就沒搞明白的事情。
看到這一段，似乎就能明白自動化和機器學(xué)習(xí)的區(qū)別了：假定我們希望讓計算機判斷一張照片里是否有貓，如果是自動化，我們需要把有貓的規(guī)則輸入到計算機中，例如，有胡須、有爪子、有尾巴等等，然后計算機根據(jù)我們輸入的規(guī)則來判斷是否有貓，也就是說如何判斷是否有貓的這個知識是人類告訴計算機的，計算機僅僅是一個執(zhí)行者；如果是機器學(xué)習(xí)，則需要將有貓的照片輸入到計算機中，告訴計算機這些照片都是有貓的，通過這些照片讓計算機自己建立規(guī)則，通過自己建立的規(guī)則來判斷是否照片中是否有貓。也就是說判斷是否有貓的這個知識是計算機自己建立起來的。機器學(xué)習(xí)就是建立這樣的一個算法，讓計算機能夠自己建立起規(guī)則。
那么，機器學(xué)習(xí)都有哪些算法呢，我們可以繼續(xù)進行檢索：
線性回歸、 Logistic 回歸、 線性判別分析（LDA）、 分類與回歸樹、 樸素貝葉斯、 K 近鄰算法、 學(xué)習(xí)向量量化、 支持向量機（SVM）、 Bagging和隨機森林、 Boosting 和 AdaBoost。
對于這些算法，如果大家感興趣可以繼續(xù)進行檢索，看看究竟能看懂多少。如果看不懂也沒關(guān)系，因為我們已經(jīng)掌握了機器學(xué)習(xí)的基本原理，那么，現(xiàn)在機器學(xué)習(xí)是否已經(jīng)有比較成熟的模型了嗎？也就是說，是否有公司做出了一個比較通用的框架，基于這個框架，我們可以在自己希望的領(lǐng)域中進行應(yīng)用。我們再輸入：“機器學(xué)習(xí) 框架”進行檢索得到如下結(jié)果：
1. TensorFlow (Google)
TensorFlow最初是由Google Brain Team的研究人員和工程師開發(fā)的。其目的是面向深度神經(jīng)網(wǎng)絡(luò)和機器智能研究。自2015年底以來，TensorFlow的庫已正式在GitHub上開源。TensorFlow對于快速執(zhí)行基于圖形的計算非常有用。靈活的TensorFlow API可以通過其GPU支持的架構(gòu)在多個設(shè)備之間部署模型。
2. ?Theano （蒙特利爾大學(xué)）
Theano是另一個用于快速數(shù)值計算的Python庫，可以在CPU或GPU上運行。它是蒙特利爾大學(xué)蒙特利爾學(xué)習(xí)算法小組開發(fā)的一個開源項目。它的一些最突出的特性包括GPU的透明使用，與NumPy緊密結(jié)合，高效的符號區(qū)分，速度/穩(wěn)定性優(yōu)化以及大量的單元測試。
3. PyTorch (Facebook)
Pytorch在學(xué)術(shù)研究者中很受歡迎，也是相對比較新的深度學(xué)習(xí)框架。Facebook人工智能研究組開發(fā)了pyTorch來應(yīng)對一些在它前任數(shù)據(jù)庫Torch使用中遇到的問題。由于編程語言Lua的普及程度不高，Torch永遠無法經(jīng)歷Google TensorFlow那樣的迅猛發(fā)展。因此，PyTorch采用了被已經(jīng)為許多研究人員，開發(fā)人員和數(shù)據(jù)科學(xué)家所熟悉的原始Python命令式編程風(fēng)格。同時它還支持動態(tài)計算圖，這一特性使得它對做時間序列以及自然語言處理數(shù)據(jù)相關(guān)工作的研究人員和工程師很有吸引力。
4. ?Torch (NYU / Facebook)
接下來我們來談?wù)凾orch。它是Facebook的開源機器學(xué)習(xí)庫、科學(xué)計算框架和基于Lua編程語言的腳本語言。它提供了廣泛的深度學(xué)習(xí)算法，并已被Facebook，IBM，Yandex和其他公司用于解決數(shù)據(jù)流的硬件問題。
5. ?Caffe (UC Berkeley)
Caffe是一個兼具表達性、速度和思維模塊化的深度學(xué)習(xí)框架。由伯克利人工智能研究小組和伯克利視覺和學(xué)習(xí)中心開發(fā)。雖然其內(nèi)核是用C ++編寫的，但Caffe有Python和Matlab相關(guān)接口。這對訓(xùn)練或微調(diào)前饋分類模型非常有用。雖然它在研究中使用得并不多，但它仍然很受部署模型的歡迎，正如社區(qū)貢獻者所證明的那樣。
通過上述檢索結(jié)果可以知道，現(xiàn)有技術(shù)中提供了現(xiàn)成的機器學(xué)習(xí)的框架，這些框架中分別使用了不同的算法。如果一個技術(shù)是對這些框架內(nèi)部算法的改進，那么需要專利撰寫者與技術(shù)人員進行詳細的溝通以確定如何來申請專利（當然也需要考慮到開源軟件和專利之間的關(guān)系，如果大家感興趣可以自行檢索）?，F(xiàn)實中更多情況是需要申請對這些框架進行應(yīng)用的專利，也可以理解為現(xiàn)實中的專利更多的是，關(guān)于如何利用機器學(xué)習(xí)的原理來實現(xiàn)某個功能的。這是因為機器學(xué)習(xí)的原理已經(jīng)被上述框架實現(xiàn)了，企業(yè)更多的考慮在本領(lǐng)域中的輸入和想要的輸出是什么就可以了。
例如，番茄醬加工企業(yè)以前需要人工用來區(qū)分好的西紅柿和壞的西紅柿。如果用機器學(xué)習(xí)來實現(xiàn)，我們不太關(guān)心機器學(xué)習(xí)的框架是如何搭建，因為本領(lǐng)域技術(shù)人員可以根據(jù)上述開源的框架來完成搭建，也就是說即使不對框架進行說明，也是滿足說明書公開充分的要求的。我們只需要關(guān)心輸入和輸出就可以。此時，我們需要一堆數(shù)據(jù)來訓(xùn)練這些現(xiàn)有的框架，這些訓(xùn)練用的數(shù)據(jù)可以稱為訓(xùn)練數(shù)據(jù)。我們可以把好的西紅柿照片和標識該西紅柿照片是好西紅柿的標簽輸入到框架中進行訓(xùn)練，并且也可以把壞的西紅柿照片和標識該西紅柿照片是壞西紅柿的標簽輸入到框架中進行訓(xùn)練，訓(xùn)練結(jié)束之后可以得到一個模型，這個模型其實就是計算機自己制定的好西紅柿和壞西紅柿的區(qū)別。模型訓(xùn)練好之后，給西紅柿拍照就可以根據(jù)照片判斷西紅柿是不是好了。
下面我寫一個例子：
一種西紅柿鑒別方法，其特征在于，包括：
將西紅柿的照片輸入到模型中，其中，所述模型使用多組訓(xùn)練數(shù)據(jù)訓(xùn)練出來的，所述多組中的訓(xùn)練數(shù)據(jù)中的每一組訓(xùn)練數(shù)據(jù)均包括：西紅柿的照片和用來標識該西紅柿級別的標識信息；
獲取所述模型的輸出信息，其中，所述輸出信息包括所述西紅柿的照片中的西紅柿的級別。
再寫一個識別貓的例子：
一種識別貓的方法，其特征在于，包括：
將待識別照片輸入到模型中；
從所述模型中獲取所述照片中是否有貓的結(jié)果，其中，所述模型為使用多組數(shù)據(jù)通過機器學(xué)習(xí)訓(xùn)練得出的，所述多組數(shù)據(jù)包括第一類數(shù)據(jù)和第二類數(shù)據(jù)，所述第一類數(shù)據(jù)中的每組數(shù)據(jù)均包括：包括貓的照片和標識該照片包括貓的標簽；第二類數(shù)據(jù)中的每組數(shù)據(jù)均包括：不包括貓的照片和標識該照片不包括貓的標簽。
如果大家覺得識別貓的這個方法技術(shù)特征還是有點少，創(chuàng)造性不夠，畢竟能識別西紅柿就能識別貓，在這種情況下，可以加上把貓識別出來之后怎么操作的技術(shù)特征，即將機器學(xué)習(xí)識別貓作為整個方案的一部分。修改后的權(quán)利要求如下：
一種處理流浪貓的方法，其特征在于，包括：
調(diào)用攝像頭對環(huán)境進行拍照得到環(huán)境照片；
將環(huán)境照片輸入到模型中確定是否有貓，其中，其中，所述模型為使用多組數(shù)據(jù)通過機器學(xué)習(xí)訓(xùn)練得出的，所述多組數(shù)據(jù)包括第一類數(shù)據(jù)和第二類數(shù)據(jù)，所述第一類數(shù)據(jù)中的每組數(shù)據(jù)均包括：包括貓的照片和標識該照片包括貓的標簽；第二類數(shù)據(jù)中的每組數(shù)據(jù)均包括：不包括貓的照片和標識該照片不包括貓的標簽；
在所述照片中有貓的情況下，播放狗的叫聲。
這樣的方案就顯得豐富了，比單純識別貓的方案更容易拿到授權(quán)。
再寫一個識別人的例子：
一種人類識別處理方法，其特征在于包括：
使用模型對照片進行分析，確定所述照片中人的年齡范圍，其中，所述模型為使用多組數(shù)據(jù)通過機器學(xué)習(xí)訓(xùn)練得出的，所述多組數(shù)據(jù)中的每組數(shù)據(jù)均包括：照片和標識該照片上人年齡的標簽。
同樣的道理，如果感覺授權(quán)困難，可以把識別出人以后要做什么寫出來：
一種人類識別處理方法，其特征在于包括：
獲取購票的人的照片以及購票需求；
使用模型對照片進行分析，確定所述照片中人的年齡范圍，其中，所述模型為使用多組數(shù)據(jù)通過機器學(xué)習(xí)訓(xùn)練得出的，所述多組數(shù)據(jù)中的每組數(shù)據(jù)均包括：照片和標識該照片上人年齡的標簽；
在所述照片中的人的年齡大于60歲的情況下，為所述人分配靠窗座位。
寫到這里，大家應(yīng)該會撰寫機器學(xué)習(xí)業(yè)務(wù)邏輯層的案子了。當然，如果遇到了技術(shù)層的案子，還是需要好好的跟發(fā)明人進行溝通的，以保證對技術(shù)方案的理解正確。
留一個作業(yè)：冰箱上使用機器學(xué)習(xí)拍照識別水果是否過期的方案，請大家寫?yīng)殭?quán)。
聯(lián)系客服
