推薦機(jī)器學(xué)習(xí)網(wǎng)站：https://easyai.tech/ai-definition/machine-learning/
引言：機(jī)器學(xué)習(xí)、人工智能、深度學(xué)習(xí)是什么關(guān)系？
1956 年提出 AI 概念，短短3年后（1959）Arthur Samuel就提出了機(jī)器學(xué)習(xí)的概念：Field of study that gives computers the ability to learn without being explicitly programmed.機(jī)器學(xué)習(xí)研究和構(gòu)建的是一種特殊算法（而非某一個特定的算法），能夠讓計算機(jī)自己在數(shù)據(jù)中學(xué)習(xí)從而進(jìn)行預(yù)測。所以，機(jī)器學(xué)習(xí)不是某種具體的算法，而是很多算法的統(tǒng)稱。
機(jī)器學(xué)習(xí)包含了很多種不同的算法，深度學(xué)習(xí)就是其中之一，其他方法包括決策樹，聚類，貝葉斯等。深度學(xué)習(xí)的靈感來自大腦的結(jié)構(gòu)和功能，即許多神經(jīng)元的互連。人工神經(jīng)網(wǎng)絡(luò)（ANN）是模擬大腦生物結(jié)構(gòu)的算法。不管是機(jī)器學(xué)習(xí)還是深度學(xué)習(xí)，都屬于人工智能（AI）的范疇。所以人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)可以用下面的圖來表示：
一、什么是機(jī)器學(xué)習(xí)？
在解釋機(jī)器學(xué)習(xí)的原理之前，先把最精髓的基本思路介紹給大家，理解了機(jī)器學(xué)習(xí)最本質(zhì)的東西，就能更好的利用機(jī)器學(xué)習(xí)，同時這個解決問題的思維還可以用到工作和生活中。
1. 機(jī)器學(xué)習(xí)的基本思路
1）. 把現(xiàn)實生活中的問題抽象成數(shù)學(xué)模型，并且很清楚模型中不同參數(shù)的作用
2）. 利用數(shù)學(xué)方法對這個數(shù)學(xué)模型進(jìn)行求解，從而解決現(xiàn)實生活中的問題
3）. 評估這個數(shù)學(xué)模型，是否真正的解決了現(xiàn)實生活中的問題，解決的如何？
無論使用什么算法，使用什么樣的數(shù)據(jù)，最根本的思路都逃不出上面的3步！
當(dāng)我們理解了這個基本思路，我們就能發(fā)現(xiàn)：
不是所有問題都可以轉(zhuǎn)換成數(shù)學(xué)問題的。那些沒有辦法轉(zhuǎn)換的現(xiàn)實問題 AI 就沒有辦法解決。同時最難的部分也就是把現(xiàn)實問題轉(zhuǎn)換為數(shù)學(xué)問題這一步。
2. 機(jī)器學(xué)習(xí)的原理
下面以監(jiān)督學(xué)習(xí)為例，給大家講解一下機(jī)器學(xué)習(xí)的實現(xiàn)原理。
假如我們正在教小朋友識字（一、二、三）。我們首先會拿出3張卡片，然后便讓小朋友看卡片，一邊說“一條橫線的是一、兩條橫線的是二、三條橫線的是三”。
不斷重復(fù)上面的過程，小朋友的大腦就在不停的學(xué)習(xí)。
當(dāng)重復(fù)的次數(shù)足夠多時，小朋友就學(xué)會了一個新技能——認(rèn)識漢字：一、二、三。
我們用上面人類的學(xué)習(xí)過程來類比機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)跟上面提到的人類學(xué)習(xí)過程很相似。
1）上面提到的認(rèn)字的卡片在機(jī)器學(xué)習(xí)中叫——訓(xùn)練集
2）上面提到的“一條橫線，兩條橫線”這種區(qū)分不同漢字的屬性叫——特征
3）小朋友不斷學(xué)習(xí)的過程叫——建模
4）學(xué)會了識字后總結(jié)出來的規(guī)律叫——模型
通過訓(xùn)練集，不斷識別特征，不斷建模，最后形成有效的模型，這個過程就叫“機(jī)器學(xué)習(xí)”！
3. 監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)
機(jī)器學(xué)習(xí)根據(jù)訓(xùn)練方法大致可以分為3大類：
1）監(jiān)督學(xué)習(xí)
2）非監(jiān)督學(xué)習(xí)
3）強(qiáng)化學(xué)習(xí)
除此之外，大家可能還聽過“半監(jiān)督學(xué)習(xí)”之類的說法，但是那些都是基于上面3類的變種，本質(zhì)沒有改變。
3.1 監(jiān)督學(xué)習(xí)
監(jiān)督學(xué)習(xí)是指我們給算法一個數(shù)據(jù)集，并且給定正確答案。機(jī)器通過數(shù)據(jù)來學(xué)習(xí)正確答案的計算方法。
舉個栗子：
我們準(zhǔn)備了一大堆貓和狗的照片，我們想讓機(jī)器學(xué)會如何識別貓和狗。當(dāng)我們使用監(jiān)督學(xué)習(xí)的時候，我們需要給這些照片打上標(biāo)簽。
我們給照片打的標(biāo)簽就是“正確答案”，機(jī)器通過大量學(xué)習(xí)，就可以學(xué)會在新照片中認(rèn)出貓和狗。
這種通過大量人工打標(biāo)簽來幫助機(jī)器學(xué)習(xí)的方式就是監(jiān)督學(xué)習(xí)。這種學(xué)習(xí)方式效果非常好，但是成本也非常高。
3.2 非監(jiān)督學(xué)習(xí)
非監(jiān)督學(xué)習(xí)中，給定的數(shù)據(jù)集沒有“正確答案”，所有的數(shù)據(jù)都是一樣的。無監(jiān)督學(xué)習(xí)的任務(wù)是從給定的數(shù)據(jù)集中，挖掘出潛在的結(jié)構(gòu)。
舉個栗子：
我們把一堆貓和狗的照片給機(jī)器，不給這些照片打任何標(biāo)簽，但是我們希望機(jī)器能夠?qū)⑦@些照片分分類。
通過學(xué)習(xí)，機(jī)器會把這些照片分為2類，一類都是貓的照片，一類都是狗的照片。雖然跟上面的監(jiān)督學(xué)習(xí)看上去結(jié)果差不多，但是有著本質(zhì)的差別：
非監(jiān)督學(xué)習(xí)中，雖然照片分為了貓和狗，但是機(jī)器并不知道哪個是貓，哪個是狗。對于機(jī)器來說，相當(dāng)于分成了 A、B 兩類。
3.3 強(qiáng)化學(xué)習(xí)
強(qiáng)化學(xué)習(xí)更接近生物學(xué)習(xí)的本質(zhì)，因此有望獲得更高的智能。它關(guān)注的是智能體如何在環(huán)境中采取一系列行為，從而獲得最大的累積回報。通過強(qiáng)化學(xué)習(xí)，一個智能體應(yīng)該知道在什么狀態(tài)下應(yīng)該采取什么行為。
最典型的場景就是打游戲。
二、 機(jī)器學(xué)習(xí)實操的7個步驟
通過上面的內(nèi)容，我們對機(jī)器學(xué)習(xí)已經(jīng)有一些模糊的概念了，這個時候肯定會特別好奇：到底怎么使用機(jī)器學(xué)習(xí)？
機(jī)器學(xué)習(xí)在實際操作層面一共分為7步：
1）收集數(shù)據(jù)
2）數(shù)據(jù)準(zhǔn)備
3）選擇一個模型
4）訓(xùn)練
5）評估
6）參數(shù)調(diào)整
7）預(yù)測（開始使用）
假設(shè)我們的任務(wù)是通過酒精度和顏色來區(qū)分紅酒和啤酒，下面詳細(xì)介紹一下機(jī)器學(xué)習(xí)中每一個步驟是如何工作的。
步驟1：收集數(shù)據(jù)
我們在超市買來一堆不同種類的啤酒和紅酒，然后再買來測量顏色的光譜儀和用于測量酒精度的設(shè)備。
這個時候，我們把買來的所有酒都標(biāo)記出他的顏色和酒精度，會形成下面這張表格。
顏色酒精度種類
6105啤酒
59913紅酒
69314紅酒
………
這一步非常重要，因為數(shù)據(jù)的數(shù)量和質(zhì)量直接決定了預(yù)測模型的好壞。
步驟2：數(shù)據(jù)準(zhǔn)備
在這個例子中，我們的數(shù)據(jù)是很工整的，但是在實際情況中，我們收集到的數(shù)據(jù)會有很多問題，所以會涉及到數(shù)據(jù)清洗等工作。
當(dāng)數(shù)據(jù)本身沒有什么問題后，我們將數(shù)據(jù)分成3個部分：訓(xùn)練集（60%）、驗證集（20%）、測試集（20%），用于后面的驗證和評估工作。
步驟3：選擇一個模型
研究人員和數(shù)據(jù)科學(xué)家多年來創(chuàng)造了許多模型。有些非常適合圖像數(shù)據(jù)，有些非常適合于序列（如文本或音樂），有些用于數(shù)字?jǐn)?shù)據(jù)，有些用于基于文本的數(shù)據(jù)。在我們的例子中，由于我們只有2個特征，顏色和酒精度，我們可以使用一個小的線性模型，這是一個相當(dāng)簡單的模型。
步驟4：訓(xùn)練
大部分人都認(rèn)為這個是最重要的部分，其實并非如此~ 數(shù)據(jù)數(shù)量和質(zhì)量、還有模型的選擇比訓(xùn)練本身重要更多（訓(xùn)練知識臺上的3分鐘，更重要的是臺下的10年功）。這個過程就不需要人來參與的，機(jī)器獨(dú)立就可以完成，整個過程就好像是在做算術(shù)題。因為機(jī)器學(xué)習(xí)的本質(zhì)就是將問題轉(zhuǎn)化為數(shù)學(xué)問題，然后解答數(shù)學(xué)題的過程。
步驟5：評估
一旦訓(xùn)練完成，就可以評估模型是否有用。這是我們之前預(yù)留的驗證集和測試集發(fā)揮作用的地方。評估的指標(biāo)主要有 準(zhǔn)確率、召回率、F值。這個過程可以讓我們看到模型如何對尚未看到的數(shù)是如何做預(yù)測的。這意味著代表模型在現(xiàn)實世界中的表現(xiàn)。
步驟6：參數(shù)調(diào)整
完成評估后，您可能希望了解是否可以以任何方式進(jìn)一步改進(jìn)訓(xùn)練。我們可以通過調(diào)整參數(shù)來做到這一點(diǎn)。當(dāng)我們進(jìn)行訓(xùn)練時，我們隱含地假設(shè)了一些參數(shù)，我們可以通過認(rèn)為的調(diào)整這些參數(shù)讓模型表現(xiàn)的更出色。
步驟7：預(yù)測
我們上面的6個步驟都是為了這一步來服務(wù)的。這也是機(jī)器學(xué)習(xí)的價值。這個時候，當(dāng)我們買來一瓶新的酒，只要告訴機(jī)器他的顏色和酒精度，他就會告訴你，這時啤酒還是紅酒了。
轉(zhuǎn)自：https://easyai.tech/ai-definition/machine-learning/
