第四章 计算机如何像人类一样学习? 
W人类从过去的经验中学习；相应的，计算机可以从数据中学习如何执行任务，而不是通过明确的编程方式，这就是所谓的机器学习。机器学习就是使用各种算法，从数据中反复学习，以改进、描述数据和预测结果。例如，如图20所示，在一个在线购物网站中，机器会通过记录某位顾客购买过的产品或浏览的产品来学习他/她的喜好或选择。然后，它将根据这些偏好开始向客户推荐客户可能喜欢的产品。
在机器学习中，可以归结为四种类型的学习: 1.**监督式学习**：在这种学习类型中，机器学习模型被提前教授一些知识，使得它可以预测未来的实例。举例说明，我们希望机器根据以下几点来知道学生X是勤奋、优秀还是懒惰的学生: **(1)** 他/她每天花多少时间学习; **(2)** 他/她看电视的时间。正如我们所提到的，我们需要先教机器；在这种情况下，我们必须给它提供以前关于其他学生的知识（也称为标签数据集），如表1所示。在表1给出的知识中可以看到，学生的类型是已知的（勤奋、优秀、懒惰）。机器将首先从这些知识中学习。然后，它将根据任何一个想要预测的新学生（例如，我们的学生X）花了多少小时学习和看电视来进行分类。
| 学生 | 学习时间 | 看电视时间 | 学生类型 |
|---|---|---|---|
| 张强 | 5 | 1 | 勤奋 |
| 李明 | 3 | 2 | 优秀 |
| 王正 | 2 | 3 | 懒惰 |
2.无监督学习：在这种学习类型中，我们不提前教授机器学习模型知识（如第一种情况）。因此，机器将在未标记的数据上工作，它将根据相似的模式或特征对这些数据进行分类或聚类。
3.强化学习：在这种学习类型中，机器将运行在一个交互环境中，并处于特定的状态。然后，它将利用环境的反馈，通过试错从自己的行动和经验中学习。我们以狗和主人之间的 "捡球 "游戏为例（见图21）。狗（机器）与主人（交互环境）在花园里，主人在花园里扔球（状态）。狗（机器）必须执行一个动作，可能是追球，也可能不是。如果狗捡到了球（动作），它的主人（互动环境）会通过给它食物来奖励它，通过这种方式，狗（机器）会知道它正在做正确的动作，它应该继续这样做。如果狗没有追球（动作），它的主人就不会给它食物。这样，狗（机器）就会知道自己做的动作是错误的，它应该去追球（正确的动作）。
4.深度学习：深度学习是一种特殊的机器学习方法，它在连续的层中加入了神经网络，以便以重复（迭代）的方式从数据中学习。当你试图从非结构化数据中学习到某种模式时，深度学习特别有用。
就像我们在上面看到的那样，机器学习可以根据给定的数据进行学习和预测。因此，给机器提供以下数据很重要: (1) 高质量的数据：准确和正确的数据可以帮助机器做出正确的决策; (2) 大量的数据：可以帮助机器学习到若干信息以执行动作和决策。举例来说，我们可以把机器看作是 "汽车"，而数据则是 "燃料"（见图22）。汽车没有燃料就不能工作，同样的，机器没有数据也不能工作。另外，如果我们给汽车提供大量优质的燃油，那么发动机就不会受到伤害，汽车就可以带我们远行。同样对于机器来说，高质量的数据不会对机器造成伤害，从而帮助它做出正确的决策，而大量的数据可以使它做出精确的决策或预测。
| 计算机数据 |
|---|
| 计算机数据是由计算机处理或存储的信息。这种信息可以是不同的形式，如文本、音频或图像。计算机数据由计算机的中央处理单元(CPU)处理，可以存储在计算机的硬盘或在线云端上。 |
各级医院和相关部门迫切需要建立互动的信息接口与连接，建立各方实时协作和信息共享的平台，使医疗机构之间、医疗机构与区域行政部门之间能够按照任务规定实现信息和数据共享，为管理和决策提供有效依据。在此背景下，最重要的是提供一个统一的、结构化的数据平台，使医生和科研人员可以方便地获取国际最新数据。例如，如图23所示，中国宁波市医疗卫生委员会在2020年初建立了新冠肺炎监测平台，可以对宁波市4000家医疗机构进行监测。所有的数据，如确诊病例、感染者年龄等都来自中国的医渡云。
