关于机器学习你了解多少，文章分享了相关知识，希望对你有所启发。
什么是机器学习（Machine Learning）
- 定义：计算机程序可以在给定某种类别的任务 T 和性能度量 P 下学习经验 E ，如果其在任务 T 中的性能恰好可以用 P 度量，则随着经验 E 而提高。
- 简单来说：机器学习是能通过经验自动改进的计算机方法研究
- 通俗的理解：机器学习，是计算的反问题（逆运算） （@张江）
机器学习和人工智能以及深度学习的关系
用一张图来表示：
- 深度学习是机器学习的子集
- 而机器学习是人工智能的核心
举个简单的例子来说明机器学习：
先说说什么是计算：
计算房屋售价，给定输入，得到输出，如：- 已知房屋售价的平米数（如下图）
- 已知计算公式：房屋价格 = 面积 junk.sh 每平米售价（5000）
- 求房屋的售价
再来说计算的反问题（逆运算）：
机器学习：有数据输入和输出，通过机器学习，得到模型- 已知房屋的基础数据
- 已知房屋的售价
- 求房屋售价计算的模型
当房屋售价计算模型有了之后，就可以用户新数据的预测，例如： 
当然这只是一个简单的例子，要真正预测房价，会涉及到的大量的参数，比如：几室几厅几卫，地理位置，周边环境，……等等，且机器学习得到模型也会更加复杂。 再举一个古老经典的例子
你去菜市场买芒果，印象中颜色靓丽的芒果，比暗淡的要好吃，于是你挑选了100个芒果，付款，开开心心回家了。 结果回家吃了之后，你发现其中25个芒果不好吃，觉得根据颜色来分辨太片面了，但是吃的过程中，你又发现了大个的50个芒果都好吃，小个的芒果只有25个是好吃，你总结出大个的比小个的芒果要好吃。 下次出门时，你要买更大个以及颜色更靓丽的芒果，结果发现常买的店铺关门了，只能去别家买，结果两家的产地不一样，买回来100个芒果，反而是小个的颜色暗淡的好吃。 为了吸取教训，买到更多更好吃的芒果，你采用了「机器学习」的方法，随机在市场买了1000个芒果：- 列出芒果的属性：颜色，大小，形状，产地，经销商，等等，
- 以及对应的：甜度，成熟度，是否多汁，等等
通过1000个芒果的数据，得到了一个模型，在下次购买的时候，你只需要输入相关的数据，就可以判断出芒果是否好吃概率，通过大量的筛选，你购买了一批「好吃」概率在95%以上的芒果，结果是个个非常好吃，你也成了众人敬仰的「芒果吃货（专家）」。 
通过这两个例子，是否对于机器学习有了初步的认知呢？
如上图：机器学习对于数据运用，相当于人的大脑对于经验的运用 实际项目中机器学习工作方式
- 选择数据：将你的数据分成三组：训练数据、验证数据和测试数据
- 模型数据：使用训练数据来构建使用相关特征的模型
- 验证模型：使用你的验证数据接入你的模型
- 测试模型：使用你的测试数据检查被验证的模型的表现
- 使用模型：使用完全训练好的模型在新数据上做预测
- 调优模型：使用更多数据、不同的特征或调整过的参数来提升算法的性能表现
机器学习都有哪些学习方式？
涉及到机器学习相关知识：- 监督学习：需要“标签”当老师，明确要预测什么。
- 无监督学习：不告诉机器正确答案，让机器自己学习，给出结果。
- 半监督学习：训练的数据，只有一小部分是标记过的，大部分是没有标记。
- 强化学习：通过反馈，边实践边学习。
- 迁移学习：在某个垂直领域训练完成后，移致去其他相关领域调优发挥作用。
- 基于人工神经网络的深度学习。
监督学习
什么是监督学习
概念：监督学习就是通过样例给定输入与输出，让程序学会一些通用的规则，这样对于需要预测的数据，得到输出。 诠释：有一个明确预测的目标，比如：预估房价，给予机器大量的有标签的数据，以及最终的销售价，来训练这个模型。监督学习主要解决的是两类问题
回归问题：- 概念：预测结果是连续的，意味着我们尝试将输入变量映射到一些连续函数。
- 举例：如预测房价的例子，通过大量输入输出数据，以及各种房屋类型，环境等标签，训练模型后，输入新的数据，既可预测房价。
- 概念：预测结果是离散的，意味着我们尝试将输入变量映射到离散类别。
- 举例：如芒果的例子，同样通过大量输入输出数据，包括芒果，颜色，大小，形状，以及甜度，成熟度等标签，当输入新的数据，机器计算出属于这个芒果是在吃，还是在不好吃的分类里。
监督学习主要涉及到的算法模型如下
- 线性回归模型（Linear Regression）
- K-近邻算法（k-Nearest Neighbors，KNN）
- 决策树（Decision Trees）
- 朴素贝叶斯（Naive Bayesian）
- 逻辑回归（Logistic Regression）
无监督学习
什么是无监督学习
- 诠释：无监督学习就是不给数据提供标签，由程序自动对数据进行聚类、关联、降维等工作。
- 诠释：我们拥有大量的数据，但是不知道答案，需要用无监督学习的方法，让它们根据某些特征自动分成若干组，从而找到数据中存在的价值。
无监督学习主要解决的三类问题
关联- 概念：为了发现各种现象同时出现的概率。
- 举例：经典例子，男人买啤酒和买尿布的关联性非常高，超市把啤酒和尿布放在一起，从而提高业绩。
- 概念：把样本分堆，使同一堆中的样本之间很相似，而不同堆之间的样本就有些差别。
- 举例：Google新闻，每天会搜集大量的新闻，然后把它们全部聚类，就会自动分成几十个不同的组（比如娱乐，科技，政治……），每个组内新闻都具有相似的内容结构。
- 概念：降维意味着减少数据集中变量的个数，但是仍然保留重要的信息。主要作用是压缩数据与提升机器学习其他算法的效率。
- 举例：房价包含房子的长、宽、面积与房间数量四个特征，也就是维度为4维的数据。而面积=长 × 宽，通过降维算法我们就可以去除冗余信息，即从4维的数据压缩到2维
无监督学习主要涉及到的算法模型如下
- K 均值算法（K-means）
- 自编码（Autoencoding）
- 主成分分析（Principal components analysis）
- 随机森林（Random forests）
半监督学习
什么是半监督学习
- 概念：使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。
- 诠释：大概意思就是，监督学习与无监督学习相结合的一种学习方法，介于两者之间。
半监督学习解决问题
- 相比监督学习：节约人力成本，提高投入产出比。
- 相比无监督学习：可以得到分配更高精度的模型。
具体适用场景的举例
- 例如：视频网站上有几百万的视频，但其中只有几十万的视频有标签，如果把剩下几百万视频都打上标签，工作量和成本是巨大的，而用无监督的方法，在很多情况下精度会很低，所以使用半监督的方法，可以在节省人力的情况下，得到分类更高精度的模型。
- 例如：垃圾信息过滤，一般的方法是监督，需要大量的语料标注，告知系统哪些可能是垃圾信息。但用户产会生了大量的信息，且垃圾信息的发布者也在调整策略，无法进行实时标注，这里可以用半监督的方法，根据垃圾信息发布者的特殊行为，发布内容等找到相似性，进行过滤。
强化学习
什么是强化学习
- 概念：强化学习就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大。如果Agent的某个行为策略导致环境正的奖赏(强化信号)，那么Agent以后产生这个行为策略的趋势便会加强。
- 诠释：针对没有标注数据集的情况而言，通过反馈来区分是否越来越接近目标。比如常见一个猜价格的游戏，你来猜这个东西值多少钱，别人告诉你猜的价格是高了还是低了。
- 例如：阿尔法狗，自己跟自己下围棋，通过一盘盘的胜负，自我学习、自我修炼、自我改正，然后一个一个迭代，自己跟自己下了1000万盘之后，完全就是一个新的狗狗。
强化学习和监督学习的区别
监督学习总的来说是一个开环的学习。- 通常，监督学习任务会从环境中收集一批数据；
- 接着我们用监督学习算法从数据中产生模型；
- 最后就可以用这个模型来做预测了。
- 首先，也是从环境中产生数据；
- 用强化学习的算法从数据中产生模型；
- 还要把模型放回到环境中运行，接着又会产生新的数据出来，再重复以上步骤。
强化学习的应用
- 例如：训练机器臂，把一个指的位置的物体，拿到另外一个指定的位置上，这里你不告诉它怎么做，让他通过一遍遍的训练，找到最佳的移动物体路径。
- 例如：个性化推荐，当推荐你某个分类内容时候，你会点击或查看，它就会根据你的行为，推荐给你更多该分类的内容。
- 例如：无人机操作，指定你的无人机进行某种动作飞行，通过强化学习来控制高度，速度，姿态等等，根据奖励让它自己学习策略，来达到目的
迁移学习
什么是迁移学习
- 概念：一般就是指要将从源领域学习到的东西应用到目标领域上去。
- 诠释：比如你会骑自行车，你会控制车把，刹车，控诉，躲避，踩踏，平衡感等等，然后让你骑摩托车时候，你也可以轻易上手，逐渐适应速度和动力上的特殊性。
迁移学习应用
- 模拟中学习：不管是无人车，还是机械臂，在现实中学习耗时且昂贵。通过模拟的方法，在虚拟中完成部分的训练，迁移到现实中，当然这种方法存在很多问题，毕竟虚拟世界无法做到跟现实一模一样，比如物理引擎，但是作为初始训练是可行的。
- 适应新领域：在线推荐系统中利用迁移学习，例如影像资料领域做好一个推荐系统，然后应用在稀疏的、新的垂直领域书籍资料里。
- 跨语言传播知识：从一种语言学习然后将所得知识应用于另一种语言，是迁移学习的另一个重要应用。比如英语训练之后，迁移到印度本土语言上。
相关阅读
从0开始搭建产品经理的AI认知体系 产品经理的AI知识框架：计算机视觉 产品经理的AI知识框架：语音识别与合成 作者：兰枫，微信公号：蓝风GO @LanFengTalk，前腾讯游戏，新浪微博PM，Elex产品总监，8年的游戏，社交，O2O等产品相关经验，连续创业者。 本文由 @兰枫 原创发布。未经许可，禁止转载。 题图来自PEXELS，基于CC0协议 新一代大数据用户行为分析与数据智能平台：数极客(https://www.shujike.com)，是支持无埋点、前端埋点、后端埋点、API导入四种混合数据采集方式，整合分析用户行为数据和业务数据，可以自动监测网站、APP、小程序等多种渠道推广效果分析，是增长黑客们必备的互联网数据分析软件。数极客支持实时多维分析、漏斗分析、留存分析、路径分析等十大数据分析方法以及APP数据分析、网站统计、网站分析、小程序数据统计、用户画像等应用场景，业内首创了六种提升转化率的数据分析模型，是数据分析软件领域首款应用定量分析与定性分析方法的数据分析产品。
数极客是新一代用户行为分析与数据智能平台，支持用户数据分析、运营数据分析、留存分析、路径分析、漏斗分析、用户画像、SEM数据分析等16种分析模型的数据分析产品，支持网站统计、网站分析、APP统计、APP分析等分析工具，以及会员营销系统和A/B测试工具等数据智能应用，支持SAAS和私有化部署,提升用户留存和转化率，实现数据驱动增长!
【独家稿件及免责声明】本站原创文章如需转载请联系我们，未经书面许可禁止转载，本站转载文章著作权归原作者所有，如有侵权请联系:。
