【簡介】

伴隨著大數(shù)據(jù)時代的到來，作為發(fā)掘數(shù)據(jù)規(guī)律的重要手段，機器學習已經(jīng)受到了越來越多的關(guān)注。而作為機器學習算法在大數(shù)據(jù)上的典型應(yīng)用，推薦系統(tǒng)已成為各行業(yè)互聯(lián)網(wǎng)公司營銷體系中不可或缺的一部分，而且已經(jīng)帶來了真實可見的收益。

目前，推薦系統(tǒng)和機器學習已經(jīng)成為各大公司的發(fā)力重點，眾多知名公司（如亞馬遜、netflix、facebook、阿里巴巴、京東、騰訊、新浪、頭條等）都在著眼于將蘊含在龐大數(shù)據(jù)中的寶藏發(fā)掘出來，懂機器學習算法的大數(shù)據(jù)工程師也成為了新時代的緊缺人才。

機器學習是一門多領(lǐng)域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。

它是人工智能的核心，是使計算機具有智能的根本途徑。

?

【常見算法】

決策樹算法

決策樹及其變種是一類將輸入空間分成不同的區(qū)域，每個區(qū)域有獨立參數(shù)的算法。決策樹算法充分利用了樹形模型，根節(jié)點到一個葉子節(jié)點是一條分類的路徑規(guī)則，每個葉子節(jié)點象征一個判斷類別。先將樣本分成不同的子集，再進行分割遞推，直至每個子集得到同類型的樣本，從根節(jié)點開始測試，到子樹再到葉子節(jié)點，即可得出預(yù)測類別。此方法的特點是結(jié)構(gòu)簡單、處理數(shù)據(jù)效率較高。

樸素貝葉斯算法

樸素貝葉斯算法是一種分類算法。它不是單一算法，而是一系列算法，它們都有一個共同的原則，即被分類的每個特征都與任何其他特征的值無關(guān)。樸素貝葉斯分類器認為這些“特征”中的每一個都獨立地貢獻概率，而不管特征之間的任何相關(guān)性。然而，特征并不總是獨立的，這通常被視為樸素貝葉斯算法的缺點。簡而言之，樸素貝葉斯算法允許我們使用概率給出一組特征來預(yù)測一個類。與其他常見的分類方法相比，樸素貝葉斯算法需要的訓練很少。在進行預(yù)測之前必須完成的唯一工作是找到特征的個體概率分布的參數(shù)，這通常可以快速且確定地完成。這意味著即使對于高維數(shù)據(jù)點或大量數(shù)據(jù)點，樸素貝葉斯分類器也可以表現(xiàn)良好。

支持向量機算法

基本思想可概括如下：首先，要利用一種變換將空間高維化，當然這種變換是非線性的，然后，在新的復雜空間取最優(yōu)線性分類表面[8]。由此種方式獲得的分類函數(shù)在形式上類似于神經(jīng)網(wǎng)絡(luò)算法。支持向量機是統(tǒng)計學習領(lǐng)域中一個代表性算法，但它與傳統(tǒng)方式的思維方法很不同，輸入空間、提高維度從而將問題簡短化，使問題歸結(jié)為線性可分的經(jīng)典解問題。支持向量機應(yīng)用于垃圾郵件識別，人臉識別等多種分類問題。

隨機森林算法

控制數(shù)據(jù)樹生成的方式有多種，根據(jù)前人的經(jīng)驗，大多數(shù)時候更傾向選擇分裂屬性和剪枝，但這并不能解決所有問題，偶爾會遇到噪聲或分裂屬性過多的問題?；谶@種情況，總結(jié)每次的結(jié)果可以得到袋外數(shù)據(jù)的估計誤差，將它和測試樣本的估計誤差相結(jié)合可以評估組合樹學習器的擬合及預(yù)測精度。此方法的優(yōu)點有很多，可以產(chǎn)生高精度的分類器，并能夠處理大量的變數(shù)，也可以平衡分類資料集之間的誤差。

人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)與神經(jīng)元組成的異常復雜的網(wǎng)絡(luò)此大體相似，是個體單元互相連接而成，每個單元有數(shù)值量的輸入和輸出，形式可以為實數(shù)或線性組合函數(shù)。它先要以一種學習準則去學習，然后才能進行工作。當網(wǎng)絡(luò)判斷錯誤時，通過學習使其減少犯同樣錯誤的可能性。此方法有很強的泛化能力和非線性映射能力，可以對信息量少的系統(tǒng)進行模型處理。從功能模擬角度看具有并行性，且傳遞信息速度極快。

Boosting與Bagging算法

Boosting是種通用的增強基礎(chǔ)算法性能的回歸分析算法。不需構(gòu)造一個高精度的回歸分析，只需一個粗糙的基礎(chǔ)算法即可，再反復調(diào)整基礎(chǔ)算法就可以得到較好的組合回歸模型。它可以將弱學習算法提高為強學習算法，可以應(yīng)用到其它基礎(chǔ)回歸算法，如線性回歸、神經(jīng)網(wǎng)絡(luò)等，來提高精度。Bagging和前一種算法大體相似但又略有差別，主要想法是給出已知的弱學習算法和訓練集，它需要經(jīng)過多輪的計算，才可以得到預(yù)測函數(shù)列，最后采用投票方式對示例進行判別。

關(guān)聯(lián)規(guī)則算法

關(guān)聯(lián)規(guī)則是用規(guī)則去描述兩個變量或多個變量之間的關(guān)系，是客觀反映數(shù)據(jù)本身性質(zhì)的方法。它是機器學習的一大類任務(wù)，可分為兩個階段，先從資料集中找到高頻項目組，再去研究它們的關(guān)聯(lián)規(guī)則。其得到的分析結(jié)果即是對變量間規(guī)律的總結(jié)。

EM（期望最大化）算法

在進行機器學習的過程中需要用到極大似然估計等參數(shù)估計方法，在有潛在變量的情況下，通常選擇EM算法，不是直接對函數(shù)對象進行極大估計，而是添加一些數(shù)據(jù)進行簡化計算，再進行極大化模擬。它是對本身受限制或比較難直接處理的數(shù)據(jù)的極大似然估計算法。

深度學習

深度學習(DL, Deep Learning)是機器學習(ML, Machine Learning)領(lǐng)域中一個新的研究方向，它被引入機器學習使其更接近于最初的目標——人工智能(AI, Artificial Intelligence)。

深度學習是學習樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，這些學習過程中獲得的信息對諸如文字，圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。 深度學習是一個復雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關(guān)技術(shù)。

深度學習在搜索技術(shù)、數(shù)據(jù)挖掘、機器學習、機器翻譯、自然語言處理、多媒體學習、語音、推薦和個性化技術(shù)，以及其他相關(guān)領(lǐng)域都取得了很多成果。深度學習使機器模仿視聽和思考等人類的活動，解決了很多復雜的模式識別難題，使得人工智能相關(guān)技術(shù)取得了很大進步。

?

【系統(tǒng)學習機器學習】

尚硅谷機器學習&推薦系統(tǒng)實戰(zhàn)

https://www.bilibili.com/video/BV1R4411N78S

課程詳情：

尚硅谷精心打造出了機器學習與推薦系統(tǒng)課程，將機器學習理論與推薦系統(tǒng)項目實戰(zhàn)并重，對機器學習和推薦系統(tǒng)基礎(chǔ)知識做了系統(tǒng)的梳理和闡述，并通過電影推薦網(wǎng)站的具體項目進行了實戰(zhàn)演練，為有志于增加大數(shù)據(jù)項目經(jīng)驗、擴展機器學習發(fā)展方向的工程師提供更好的學習平臺。

本課程主要分為兩部分，機器學習和推薦系統(tǒng)基礎(chǔ)，與電影推薦系統(tǒng)項目實戰(zhàn)。

第一部分主要是機器學習和推薦系統(tǒng)基礎(chǔ)理論的講解，涉及到各種重要概念和基礎(chǔ)算法，并對一些算法用Python做了實現(xiàn)；

第二部分以電影網(wǎng)站作為業(yè)務(wù)應(yīng)用場景，介紹推薦系統(tǒng)的開發(fā)實戰(zhàn)。其中包括了如統(tǒng)計推薦、基于LFM的離線推薦、基于模型的實時推薦、基于內(nèi)容的推薦等多個模塊的代碼實現(xiàn)，并與各種工具進行整合互接，構(gòu)成完整的項目應(yīng)用。

通過理論和實際的緊密結(jié)合，可以使學員對推薦系統(tǒng)這一大數(shù)據(jù)應(yīng)用有充分的認識和理解，在項目實戰(zhàn)中對大數(shù)據(jù)的相關(guān)工具和知識做系統(tǒng)的回顧，并且可以掌握基本算法，入門機器學習這一領(lǐng)域，為未來發(fā)展提供更多的選擇，打開通向算法工程師的大門。