2.1 机器学习简介
> 人工智能、机器学习与深度学习
首先我们先来看一下下面这张图。
人工智能（Artificial Intelligence）就是用机器模拟人的意识和思维。
机器学习（Machine Learning）则是实现人工智能的一种方法，是人工智能的子集。
深度学习（Deep Learning）就是深层次神经网络，是机器学习的一种实现方法，是机器学习的子集。
在20世纪50年代中期，人工智能开始兴起。到了20世纪80年代，机器学习开始繁荣起来，在这张图中的垃圾邮件分类就属于机器学习。到2010年左右，深度学习得到了极大的发展，把人工智能推向了新的高潮，最常见的深度学习有图片分类等等。
> 机器学习
机器学习是人工智能的一个分支，它是实现人工智能的一个核心技术，即以机器学习为手段解决人工智能中的问题。
机器学习是通过一些让计算机可以自动“学习”的算法并从数据中分析获得规律，然后利用规律对新样本进行预测。
机器学习如果用形式化的语言进行描述，就是对于某类任务T和性能度量P，如果一个计算机程序在T上以P衡量的性能随着经验E而自我完善，那么就称这个计算机程序在从经验E学习。
人类在学习中是什么样的呢？我们可以举一个简单的例子：一个小宝宝，他的妈妈买回来一个苹果并告诉他这是苹果，那么他就会对苹果有所认知，第二天，他的妈妈买了一个不同样子的苹果，但是告诉他这个还是苹果，那么他就会对苹果有新的认知，经过认识不同种类的苹果，小宝宝对苹果形成了自己的认知，可以去判断什么样的东西是苹果。他能根据自己的经验总结出一个规律，然后对于新看到的物品可以去判断它是否是苹果，其他的水果也是同理。这样就完成了一个人类学习的过程。
对于机器学习来说，它需要大量的历史数据，而且同时需要告诉它正确的分类结果，比如什么是香蕉，什么是苹果。经过这样的训练，它会形成一个模型，当有新的数据进来，它会根据模型算出这个物品到底属于什么样的类别。
其实人类学习的过程和机器学习的过程很类似，人类就是通过各种各样的经验归纳出规律，当有新问题产生时，通过头脑运作产生相应的结果。而机器是通过历史数据做训练，形成一个训练好的模型，当有新的数据输进来，通过这个训练好的模型做计算，得到的结果就是预测出来的新的未知属性。
> 机器学习典型求解问题类型
机器学习可以分为有监督学习、无监督学习、半监督学习、强化学习。
> 有监督学习
有监督学习（Supervised Learning）指的是事先需要准备好输入与正确输出（区分方法）相配套的训练数据，让计算机进行学习，以便当它被输入某个数据时能够得到正确的输出（区分方法）。
有监督学习需要有大量的训练数据，不仅仅是输入，还需要区分方法，也就是需要正确的数据标签。
> 无监督学习
无监督学习（Unsupervised Learning）的目的是让计算机自己去学习怎样做一些事情，所有数据只有特征而没有标记。
无监督学习被运用于仅仅提供输入用数据、需要计算机自己找出数据内在结构的场合。其目的是让计算机从数据中抽取其中所包含的模式及规则。
> 半监督学习
介于有监督学习和无监督学习之间的是半监督学习（Semi-supervised Learning）
半监督学习的训练数据一部分有标记，另一部分没有标记，而没有标记数据的数量常常远大于有标记数据的数量。
半监督学习的基本规律是：数据的分布必然不是完全随机的，通过结合有标记数据的局部特征以及大量没有标记数据的整体分布，可以得到比较好的分类结果。
> 强化学习
强化学习（Reinforcement Learning）是解决计算机从感知到决策控制的问题，从而实现通用人工智能。
强化学习是以目标为导向的。它的训练是从一张白纸的状态开始，经由许多个步骤来实现某一维度上的目标最大化。简单的来说，就是在训练过程中，不断地去尝试，错误就惩罚，正确就奖励，由此训练得到的模型在各个状态环境中都最好。
对于强化学习来说，它虽然没有标记，但有一个延迟奖励与训练相关，通过学习过程中的激励函数获得某种从状态到行动的映射。
强化学习强调如何基于环境而行动，以取得最大化的预期利益。
强化学习一般适用于游戏、下棋等需要连续决策的领域。
> 无监督机器学习的典型应用模式
前面提到过，无监督机器学习是不需要标记的，比如屏幕中有一大堆点，我们需要进行聚类，即所谓的“物以类聚，人以群分”，使得这些点被分成了下图中的三组。它常见的算法是K-Means算法。
在无监督学习中还有一个典型的场景是关联规则抽取。最常见的是超市物品的摆放。超市中的物品摆放通常是有一定讲究的，他们通过分析超市里的销售数据发现，啤酒和纸尿裤同时被购买的概率比较大，超市就根据这个情况调整了货物的摆放，在啤酒边上放上了纸尿裤，在原本卖纸尿裤的货架附近放上了啤酒，这样一来确实促进了购买力。
> 有监督机器学习的典型应用模式
预测问题主要针对的是连续的数据。
下图是Google机器学习速成课程中的一个例子，它反映了每分钟虫鸣和温度之间的关系，而这个规律可以用一条直线来表示。那么机器学习所做的事情，就是去确定这条直线的截距和斜率。针对这些连续数据，我们可以根据所建立好的模型，用每分钟虫鸣数来预测所对应的温度。它常见的算法是线性回归、Gradient Boosting、AdaBoost、神经网络算法。
分类问题主要针对的是离散的数据。
下图我们可以看成一个工厂所加工的螺丝，它有重量和长度，而最终大量的坐标数据（螺丝）被分为两类，一类是红色的，代表合格品；还有一类是蓝色的，代表残次品。它们被一条虚线明显的分隔开来。如果给出一颗新的螺丝，我们可以根据它所落在的位置来判断它是否合格，因此实现了一个二分类的应用。它常见的算法是逻辑回归、决策树、KNN、随机森林、支持向量机、朴素贝叶斯、神经网络算法。
Last updated
