調參數。用已有的數據讓機器找到解決問題效果比較好的參數。
訓練是指跑模型和調參數兩個步驟:給定一組參數，把模型在數據集上跑一遍。最後把跑分最優的參數確定出來，模型就在我們的數據集上訓練好了。

如果你指的是機器學習演算法，我個人的理解是所謂的訓練過程，也叫學習過程，其實是一個統計過程。儘管這麼說不算很準確，因為嚴格的說現在的深度學習已經算不上真正的統計方法，但是這樣比較容易明白訓練的本質。這個過程是，首先給定一個統計模型，統計模型具有一定的參數，訓練過程就是通過已有的觀測到的數據，來計算對應模型的參數應該是什麼，才能更好的描述這些數據，也使得我們可以估計一些未知的數據。舉個例子，線性回歸。我現在假設一個人的身高與其父母身高呈線性關係，height =a*f+b*m+c。這就是模型。那麼我想知道具體是什麼關係，我就需要大量的數據來計算a b c的值，以得出最合適的能描述這種關係的參數。這就是訓練。得到參數後，我就可以通過父母的身高，計算出子女的身高是多少了，這個就是預測。現在的深度學習，支持向量機，邏輯回歸，隨機森林等等，結構更加複雜，以至於失去了直觀的統計意義，是為了解決更複雜的，非線性的問題，但究其本質的思想方法，其實就是統計過程。

這就是我對機器學習過程的理解。

函數的參數(parameter)

以人臉識別為例。

數學和演算法的任務是正確的將你的臉和你的名字對應起來。

數據訓練任務是告訴程序哪張臉和你的名字對應是正確的。

簡單用人來類比一下。

眼睛看到如下的圖片，大腦就「知道」這些圖片是【貓的圖片】：

看到——明白，這個就是我們訓練的預期結果，人工智慧，現在本質上也就是一種神經網路。這玩意，一開始如同一張白紙，也就是輸入任何東西，輸出都是完全不確定的，就像嬰兒一樣，思維是完全混沌的，剛出生出來，啥都不知道，得慢慢一點一滴教他/她說話、識字、認物、學習等等。

神經網路一開始具備的能力，就是「整理歸納【已知正確的】輸入-輸出數據」和「根據得到的【訓練結果】對新的輸入數據進行計算輸出」，也就是「學習」和「應用」，通過大量的學習，和一個優秀的歸納框架，生成一組訓練結果，用以對【處理程序】進行調整，使其「儘可能符合【已知正確的】輸入-輸出數據」。

然後就可以對需要進行運算的數據來跑啦，要是沒有訓練過程，指鹿為馬都是小兒科了。

這樣當然不能保證對所有的輸入數據都能得到正確的輸出，但人學了幾十年都可能變得老眼昏花/發瘋/偏執狂，機器偶爾犯個二/出個錯/死個機也很正常吧？

其實現階段的人工智慧並沒有處在很高的層次，離人類的心智還是想差很遠，其唯一優勢就是高運算速度，這也是決定了其對數據有著極強的運算能力，其實簡單地說邏輯推理和分析也是一種演算。這樣「餵給」這個機器的數據，也是由人來提供的，那樣，如果人提供的數據存在偏向性或是不完備，機器有時候是無法完全判別的。這個和人類用人的心智來判斷還是有很大差距的。

推薦閱讀：
相关文章