機器學(xué)習(xí)應(yīng)用在日常生活的方方面面：比如使用自然語言處理和機器學(xué)習(xí)來預(yù)約、查看日歷和播放音樂的語音助手，到編程廣告等等.機器學(xué)習(xí)的應(yīng)用可以在我們想到之前預(yù)測我們需要什么。

機器學(xué)習(xí)科學(xué)領(lǐng)域的知識比較復(fù)雜，會導(dǎo)致大家在學(xué)習(xí)的時候感覺到難以順利的掌握。今天這篇文章就是機器學(xué)習(xí)的學(xué)習(xí)路徑，將從什么是機器學(xué)習(xí)講到算法及其應(yīng)用的具體例子。

part1/??什么是機器學(xué)習(xí)？

一個計算機程序被稱為從經(jīng)驗E中學(xué)習(xí)關(guān)于某類任務(wù)T和性能度量P的知識，如果它在T任務(wù)中的性能，如P所度量的，隨著經(jīng)驗E的提高而提高。

——Tom M. Mitchell

機器學(xué)習(xí)的行為類似于孩子的成長，隨著孩子的成長，她在執(zhí)行任務(wù)T中的經(jīng)驗E會增加，從而導(dǎo)致更高的績效指標(biāo) (P)。

例如，給一個孩子一個“形狀排序塊”玩具。（現(xiàn)在我們都知道，在這個玩具中，有不同的形狀和形狀孔）。在這種情況下，我們的任務(wù)T是為一個形狀找到一個合適的形狀孔。之后，孩子觀察形狀并嘗試將其放入一個形狀的孔中。

假設(shè)這個玩具有三種形狀：圓形、三角形和方形。在她第一次嘗試尋找形狀孔時，她的表現(xiàn)測量(P)是1/3，這意味著孩子在3個正確的異形孔中找到了1個。

其次，孩子再試一次，這次她已經(jīng)在這個任務(wù)中有了經(jīng)驗。考慮到獲得的經(jīng)驗（E），孩子再次嘗試這項任務(wù)，在衡量表現(xiàn)（P）時，結(jié)果是 2/3。重復(fù)這個任務(wù) (T) 100 次后，寶寶就弄清楚哪個形狀進入哪個形狀孔了。

所以她的經(jīng)驗（E）增加了，她的表現(xiàn)（P）也增加了，然后我們注意到隨著這個玩具嘗試次數(shù)的增加，性能也會提高，從而提高準(zhǔn)確性。

這種執(zhí)行類似于機器學(xué)習(xí)：

一臺機器所做的是，接受一個任務(wù)（T）執(zhí)行，并測量性能（P）?，F(xiàn)在一臺機器擁有大量數(shù)據(jù)，當(dāng)處理這些數(shù)據(jù)時，它的經(jīng)驗 (E) 會隨著時間的推移而增加，從而導(dǎo)致更高的性能指標(biāo) (P)。

所以在處理完所有數(shù)據(jù)之后，機器學(xué)習(xí)模型的準(zhǔn)確度增加了，這意味著模型做出的預(yù)測將非常準(zhǔn)確。

Arthur Samuel對機器學(xué)習(xí)的另一個定義——機器學(xué)習(xí)是計算機科學(xué)的一個子領(lǐng)域，它賦予“計算機無需明確編程即可學(xué)習(xí)的能力”。

通俗的來解釋下這個定義

它指出“無需明確編程即可學(xué)習(xí)”——就是說不會用一組特定的規(guī)則來教計算機，而是為計算機提供足夠的數(shù)據(jù)，并給它時間從中學(xué)習(xí)，通過犯錯并改進這些錯誤。

例如，我們沒有教孩子如何適應(yīng)形狀，但是通過多次執(zhí)行相同的任務(wù)，孩子學(xué)會了自己在玩具中適應(yīng)形狀。

part2?/??為什么我們需要機器學(xué)習(xí)？

例如，有一組貓和狗的圖像。我們現(xiàn)在想把他們分為貓組和狗組。

為此，我們需要找出不同的動物特征，例如：

• 每只動物有幾只眼睛？

• 每只動物的眼睛是什么顏色？

• 每只動物的身高是多少？

• 每只動物的重量是多少？

• 每只動物一般吃什么？

在以上每個問題的答案上形成一個向量，然后我們應(yīng)用一組規(guī)則，例如：

如果身高>1英尺，體重>15磅，那么它可能是一只貓。

現(xiàn)在，為每個數(shù)據(jù)點制定這樣一套規(guī)則。然后，放置if，elseif，else語句的決策樹，檢查它是否屬于其中一個類別。

假設(shè)這個實驗的結(jié)果沒有成果，對許多動物進行了錯誤分類，這就給了使用機器學(xué)習(xí)的絕佳機會。因為，機器學(xué)習(xí)所做的是用不同類型的算法處理數(shù)據(jù)，并告訴我們哪個特征對確定它是貓還是狗更重要。

因此，我們可以基于兩三個特征對其進行簡化，而不是應(yīng)用許多規(guī)則集，因此它為我們提供了更高的準(zhǔn)確性。以前的方法不夠通用，無法進行預(yù)測。

機器學(xué)習(xí)模型可以幫助我們完成許多任務(wù)：

例如：

• 物體識別

• 總結(jié)

• 預(yù)言

• 分類

• 聚類

• 推薦系統(tǒng)

• 和別的

part3/??什么是機器學(xué)習(xí)模型？

可以這么理解——機器學(xué)習(xí)模型是一個問答系統(tǒng)，負(fù)責(zé)處理與機器學(xué)習(xí)相關(guān)的任務(wù)，將其視為解決問題時表示數(shù)據(jù)的算法系統(tǒng)。

主要機器學(xué)習(xí)算法

01?回歸（預(yù)測）

可使用回歸算法來預(yù)測連續(xù)值，回歸算法：

• 線性回歸

• 多項式回歸

• 指數(shù)回歸

• 邏輯回歸

• 對數(shù)回歸

02?分類

使用分類算法來預(yù)測一組項目的類別。分類算法：

• K-最近鄰

• 決策樹

• 隨機森林

• 支持向量機

• 樸素貝葉斯

03?聚類

使用聚類算法來總結(jié)或構(gòu)建數(shù)據(jù)，聚類算法：

• K均值

• DBSCAN

• 均值漂移

• 分層的

04?關(guān)聯(lián)

使用關(guān)聯(lián)算法來關(guān)聯(lián)共同發(fā)生的項目或事件，關(guān)聯(lián)算法：

• 先驗

05?異常檢測

使用異常檢測來發(fā)現(xiàn)異?；顒雍彤惓０咐缙墼p檢測。

06?序列模式挖掘

使用序列模式挖掘來預(yù)測序列中數(shù)據(jù)示例之間的下一個數(shù)據(jù)事件。

07?降維

使用降維來減少數(shù)據(jù)的大小，以便僅從數(shù)據(jù)集中提取有用的特征。

08?推薦系統(tǒng)

使用推薦算法來構(gòu)建推薦引擎。

例子：

• Netflix 推薦系統(tǒng)。

• 圖書推薦系統(tǒng)。

• 亞馬遜上的產(chǎn)品推薦系統(tǒng)。

• 短視頻平臺的推薦系統(tǒng)。

part4??人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)

看到這里可能你會問了，人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)之間的根本區(qū)別是什么？大家說起機器學(xué)習(xí)的時候總是會同時說起人工智能和深度學(xué)習(xí)。

人工智能（AI）：

人工智能（AI）是由安德魯·摩爾教授定義的一門科學(xué)和工程，它用計算機的行為方式來模擬人類智能。主要包括：

• 計算機視覺

• 語言處理

• 創(chuàng)造力

• 總結(jié)

機器學(xué)習(xí)（ML）：

正如Tom Mitchell教授所定義的，機器學(xué)習(xí)是指人工智能的一個科學(xué)分支，它側(cè)重于計算機算法的研究，使計算機程序能夠通過經(jīng)驗自動改進。主要包括：

• 分類

• 神經(jīng)網(wǎng)絡(luò)

• 聚類

深度學(xué)習(xí)：

深度學(xué)習(xí)是機器學(xué)習(xí)的一個子集，其中分層神經(jīng)網(wǎng)絡(luò)結(jié)合高計算能力和大數(shù)據(jù)集，可以創(chuàng)建強大的機器學(xué)習(xí)模型。

大家更喜歡Python來實現(xiàn)機器學(xué)習(xí)算法？

Python 是一種流行的通用編程語言。使用Python編寫機器學(xué)習(xí)算法，效果很好。Python在數(shù)據(jù)科學(xué)家中如此受歡迎的原因是Python已經(jīng)實現(xiàn)了各種各樣的模塊和庫，讓編程更順暢。

簡單介紹幾個Python庫：

Numpy

一個數(shù)學(xué)庫，用于在Python中處理n維數(shù)組，能夠高效地進行計算。

Scipy

數(shù)值算法和特定領(lǐng)域工具箱的集合，包括信號處理、優(yōu)化、統(tǒng)計等等。Scipy是一個用于科學(xué)和高性能計算的函數(shù)庫。

Matplotlib

流行的繪圖包，提供2D繪圖和3D繪圖。

Scikit-learn

免費的Python編程語言機器學(xué)習(xí)庫。有大部分分類、回歸和聚類算法，并與 Numpy、Scipy等Python數(shù)值庫配合使用。

part5? 機器學(xué)習(xí)算法分為兩類

• 監(jiān)督學(xué)習(xí)算法

• 無監(jiān)督學(xué)習(xí)算法

01?監(jiān)督學(xué)習(xí)算法

目標(biāo)：預(yù)測類別或值標(biāo)簽。

監(jiān)督學(xué)習(xí)是機器學(xué)習(xí)的一個分支（目前是機器/深度學(xué)習(xí)的主流），從標(biāo)記的訓(xùn)練數(shù)據(jù)中推斷函數(shù)。訓(xùn)練數(shù)據(jù)由一組 *(input, target)* 對組成，其中輸入可以是特征向量，目標(biāo)指示我們希望函數(shù)輸出的內(nèi)容。

根據(jù)*目標(biāo)*的類型，我們可以粗略地將監(jiān)督學(xué)習(xí)分為兩類：分類和回歸。

分類涉及分類目標(biāo)，示例范圍從一些簡單的案例（例如圖像分類）到一些高級主題（例如機器翻譯和圖像標(biāo)題）。

回歸涉及連續(xù)的目標(biāo)，它的應(yīng)用包括股票預(yù)測、圖像屏蔽等——都屬于這一類。

舉例說明監(jiān)督學(xué)習(xí)

例如，我們給一個孩子100個毛絨動物，其中每種有10個動物，如10只獅子、10只猴子、10只大象等。接下來，我們教孩子根據(jù)動物的不同特征（特征）識別不同類型的動物。

如果它的顏色是橙色，那么它可能是一只獅子。如果它是一個有鼻子的大動物，那么它可能是一頭大象。我們教孩子如何區(qū)分動物，這可以作為監(jiān)督學(xué)習(xí)的一個例子。現(xiàn)在，當(dāng)我們給孩子不同的動物時，他應(yīng)該能夠?qū)⑺鼈儦w入適當(dāng)?shù)膭游锝M。

通過這個例子發(fā)現(xiàn)孩子的分類中有 8/10 是正確的，這就證明孩子做得很好。

同樣適用于計算機，當(dāng)給計算機提供數(shù)千個數(shù)據(jù)點及其實際標(biāo)記值（標(biāo)記數(shù)據(jù)是將數(shù)據(jù)與其特征值一起分為不同的組），然后讓計算機在訓(xùn)練期間從其不同的特征中學(xué)習(xí)。

訓(xùn)練期結(jié)束后，我們可以使用我們訓(xùn)練好的模型進行預(yù)測，可以說這個例子的預(yù)測是基于標(biāo)記數(shù)據(jù)的。

監(jiān)督學(xué)習(xí)算法示例

• 線性回歸

• 邏輯回歸

• K-最近鄰

• 決策樹

• 隨機森林

• 支持向量機

02?無監(jiān)督學(xué)習(xí)

目標(biāo)：確定數(shù)據(jù)模式/分組。

與監(jiān)督學(xué)習(xí)相反，無監(jiān)督學(xué)習(xí)從未標(biāo)記的數(shù)據(jù)中推斷，是一個描述數(shù)據(jù)中隱藏結(jié)構(gòu)的函數(shù)。

無監(jiān)督學(xué)習(xí)最基本的類型可能是降維方法，如PCA、t-SNE；PCA用于數(shù)據(jù)預(yù)處理；t-SNE通常用于數(shù)據(jù)可視化。

一個更高級的分支是聚類，用來探索數(shù)據(jù)中的隱藏模式，然后進行預(yù)測。包括K均值聚類、高斯混合模型、隱馬爾可夫模型等。

隨著深度學(xué)習(xí)的火熱，無監(jiān)督學(xué)習(xí)越來越受到關(guān)注，因為它可以擺脫手動標(biāo)記數(shù)據(jù)的麻煩。

基于深度學(xué)習(xí)，來兩種無監(jiān)督學(xué)習(xí)：表征學(xué)習(xí)和生成模型。

表征學(xué)習(xí)旨在提煉出對某些下游任務(wù)有用的高級表征特征，而生成模型旨在從一些隱藏參數(shù)中再現(xiàn)輸入數(shù)據(jù)。

舉例說明無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)聽起來很有效，在這種類型的算法中，我們沒有標(biāo)記數(shù)據(jù)，因此機器必須處理輸入數(shù)據(jù)并嘗試對輸出做出結(jié)論。

還記得我們給了形狀玩具的那個孩子嗎？在這種情況下，他會從自己的錯誤中吸取教訓(xùn)，為不同的形狀找到完美的形狀孔。

但問題是，我們不是通過教授適合形狀的方法（用于機器學(xué)習(xí)目的，稱為標(biāo)記數(shù)據(jù)）來喂養(yǎng)孩子。然而，孩子會從玩具的不同特性中學(xué)習(xí)，并試圖對它們做出結(jié)論。簡而言之，預(yù)測是基于未標(biāo)記的數(shù)據(jù)。

無監(jiān)督學(xué)習(xí)算法示例

• 降維

• 密度估計

• 市場籃子分析

• 生成對抗網(wǎng)絡(luò) (GAN)

• 聚類

【對這幾種類型的回歸算法的python示例明天的文章會給大家詳細(xì)講解，關(guān)注學(xué)姐不要錯過重要知識點哦！】

https://pub.towardsai.net/machine-learning-algorithms-for-beginners-with-python-code-examples-ml-19c6afd60daa

作者：Pratik Shukla、Roberto Iriondo、Sherwin Chen

求素質(zhì)三連（轉(zhuǎn)發(fā)，點贊，收藏），再不行就點個贊也好！