基于机器学习的编程到底比传统编程强在哪里

在本文开始之前，笔者要和大家分享两个在网络上流行的公式：

传统编程的公式：规则 + 数据 = 答案

机器学习的公式：答案 + 数据 = 规则

这两个公式中的三个关键词是一模一样的，分别是数据、规则和答案，但是这三个关键词在等号左右的排列位置却不同。从中我们不难看出，机器学习正在改变着整个编程行业。

而这一观点也得到了一些专家的佐证，以网络安全为例，Institute for Critical Infrastructure Technology 高级研究员 James Scott 曾表示，基于签名的恶意软件检测已死，取而代之的是基于机器学习的人工智能，它将成为防御变异哈希最好的方式。

那么，基于机器学习的编程到底与传统编程有哪些不同呢?顾名思义，机器学习大部分工作是由机器来完成的，而传统编程需要程序员自己根据具体的问题建模解决。除此之外，基于机器学习的编程比传统编程还强在哪里呢?

输入

首先，两者输入的都是数据，但是能够接受的数据类型不同。基于机器学习的编程基本可以接受所有的数据类型，例如声音、图片、视频、文本等等，而传统编程接受的数据类型要看程序员的设置，一般来说只可以接受程序员定义好的数据类型。

基于机器学习的数据选择还可以分为三部分，训练用数据、验证用数据和测试用数据。随着数据的不断累积，反复让之前的简单逻辑与数据结果进行比对，不断修正验证，最终结果会愈趋向正确。而传统编程是基于规则的算法，如果发生错误，那么在被发现之前，该错误会一直重复发生。

处理

基于机器学习的编程中，处理包括知识表示和模式匹配、搜索、逻辑、问题解决和学习。而在传统编程中，需要根据待解决的问题设计程序，并完成字符输入。

机器学习比较常见的 3 个应用场景分别是：一次性模型，要解决的问题是由上级严格定义的，并且提供了一些小型数据;嵌入模型，里面有许多变量，比如，模型是静态的还是迭代的，是局部的还是通过 API 远程调用的等等;深度模型，建立用于特定某个领域预测的模型，并通过经验和技巧来提升和证明其准确性。

预测

基于机器学习的编程是基于预测的，而传统编程是基于解释的。基于概率、基于反馈、基于总结，这是机器学习这种经验主义最大的特点，也是与传统程序设计这种基于因果关系的最大不同点。

结论

通过上文对比，基于机器学习的编程在很多方面都胜过传统编程，传统编程更适合于简单的任务，而基于机器学习的编程更适合解决复杂的问题。针对基于机器学习的编程步骤，普华永道也给出了描述，笔者在此贴出来，希望能对大家有用。

普华永道信息图总结的机器学习的主要流程 / 步骤：

选择数据：这一过程又分为三部分，分别是训练用数据、验证用数据、测试用数据

数据建模：使用训练数据构建涉及相关特征的模型

验证模型：用验证数据验证建立的模型

调试模型：为了提升模型的性能，使用更多的数据、不同的特征，调整参数，这也是最耗时耗力的一步

使用模型：部署模型训练好的模型，对新的数据进行预测

测试模型：使用测试用数据验证模型，并评估模型的性能