因AI成为当今主流的智能学习工具，所以要对以往的方法进行改善。同时，通过对数据的活用，可以获得以前无法得到的答案。而且，这条道路今后很可能会有更长远的发展。那么，智能学习具体是怎样的一种方法呢？

在讲智能学习之前，首先说明一下以前是怎样对计算机发出指令的。在考虑对计算机发出指令时，有3个必要因素：输入（input），程序算法，输出（output）。

其中最重要的就是程序算法。充分考虑这个程序（程序算法），是对计算机发出指令的基础。由人去努力思考程序算法，就是一直以来使用的方法。

而另一方面，智能学习的话，作为基础的程序（程序算法）不是由人来拟定，而是由计算机通过学习后自己去拟定的。可以大致理解为，计算机根据大量的输入数据和与之对应的输出数据，计算出输入和输出之间的相关性。

这样一来，人应该做的事，就不是思考程序算法，而是准备大量的输入数据和输出数据了。在这个过程中，计算机会根据数据来找出输入和输出之间的关联性，也就是可以发现程序算法。

我们用事例来进行补充说明。

例如，假设现在要拟定一个程序算法，输入是照片，输出是表情认知，即识别照片里的脸是在生气、是在笑还是哭。

在这种情况下，如果使用以前的方法，就要对头像照片的要素进行分解，指定哪个部位应该怎样观察，在怎样的条件下判断为“在生气”，在怎样的条件下判断为“在笑”，这些都是由人来思考并拟定程序算法。

相对地，如果采用机器学习的方法，最初的一步是准备输入和输出的数据。要准备多张头像照片作为输入数据，并且判断照片里面的表情是“在生气”，还是“在笑”，或是“在哭”，作为输出的数据来使用。

也就是说，把表情作为标签和照片对应，并且，把大量头像照片和对应的照片都录入计算机。最后，计算机就会参考大量的数据，思考可以识别表情的程序算法。

在机器学习的过程中，可以通过以下步骤来让计算机思考程序算法。

1. 决定什么作为输出

2. 决定什么作为输入

3. 准备多个输出和输入的组合

1. 决定什么作为输出

刚才的例子是以脸部表情作为输出，下面我们以销售额为输出来讲解。因为销售额作为目标非常明确，而且从量化的角度来说，可以用金额来表示，是非常清晰易懂的输出。

另外，如果以“学习”为例的话，情况会怎样？以学会了或者没学会作为输出，虽然可以作为方向，但是很难找到清晰的判断标准。

以往我们会以测试的分数作为是否学会的结果指标，但测试的意义不外乎是对记忆的确认，要充分考虑好定义以及具体要如何量化。

如上所述，在实际业务中，确定以什么作为输出是最重要的工作。

需要充分考虑“这个输出是要获得什么”“这个输出可以用什么来计量”，还要考虑“怎样可以量化”。

2. 决定什么作为输入

决定输出的内容以后，需要尽可能找出可能对这个输出内容产生影响的输入内容。数据越多，程序算法的精度越高。而且，对大量的数据进行处理是计算机擅长的事。因此，要有意识地找出尽可能多的可能对输出产生影响的内容。

另外，和输出一致，输入在最后也要进行量化。大家在罗列输入内容时，同时要有意识地思考如何能够进行量化。

3. 准备多个输出和输入的组合

输出和输入确定以后，最后一步就是准备多个这种数据的组合，把这些数据录入计算机。

现在需要的是，输入和输出的大量数据。如果输入的数据和输出的数据都已经齐全了，就没问题；另外，如果在某些地方已经存在这些信息，只要收集过来即可。

另一方面，如果需要重新收集数据，以后是否能够固定地获取数据也要一并考虑。

练习题

你在人才培养公司工作，主要负责邀请社会人士来听本公司的讲座。上司交代你，希望能够使用AI进行判断，向有意愿听讲座的人员推荐合适的讲座。你的手上有过往的实际数据，知道什么讲座比较受哪一类人群欢迎。

你考虑制作AI程序，以什么讲座受欢迎（推荐什么比较合适）作为输出，那么什么内容可以作为输入呢？请思考几个可能与推荐讲座有关系的因素。

解答

与所属企业有关的信息可能有行业、职位、部门、企业规模，与听讲座的人有关的信息可能有年龄层、性别等。

例如，如果收集到了以下关于输入和输出的数据，就要以输入数据和输出数据组合的形式来录入计算机。

这样的话，把行业、职位、部门、企业规模、讲座购买者的年龄作为输入数据录入后，计算机就会根据对过往实际数据进行学习的结果，作为输出，推荐哪些讲座科目比较合适。

STEP UP！

从学习的意义来说，实际上不止于此。计算机推荐的科目，在推荐之后，最终是否真的销售出去了；或者说，购买者是否选择了别的科目，这些结果可以作为数据进行积累。这样，讲座课程是如何销售出去的，相关数据就能进一步累积起来。

通过这样去做，累积起来的数据就能用于下一次学习，形成良性循环。

因此，哪怕最初的数据非常粗略，重要的是尝试迈出第一步。虽然数据量较少，结果输出的数据精确度也不高，但是一旦开始尝试了，数据就会进一步积累，产生更高的价值，形成良性循环。所以，大家要重视速度，尽快着手去做。

过往是由人来思考程序算法。只要准备数据，计算机就能推导出程序算法，这是以前从未有过的方法。

而且，这是一个信息量越大，精确度越高的划时代的方法。今后，是否能够充分运用这种方法，就决定了能取得怎样截然不同的结果。

大家要切实理解机器学习是怎样的一种方法，以及输出、输入的数据化的关键作用。

小结

√ 机器学习是由计算机来拟定程序算法，是从前没有过的方法

√ 程序算法是基于大量的输入及输出数据，由计算机所拟定

√ 人的职责是，准备输出和输入的定义以及数据

√ 输出的定义和量化的方法最为重要

√ 积存的数据会产生更高的价值，所以迈出第一步非常重要