机器学习太难？一文带你掌握机器学习的必备基础知识

你是否会使用Siri或Alexa等个人助理系统？你是否用垃圾邮件过滤器来处理垃圾邮件？你是否订阅Netflix，并通过其精确的推荐系统来发现新电影呢？如果你符合以上任何一条，那么恭喜你，你已经很好地用到了机器学习！

虽然机器学习听起来很复杂，但实际上是相当简单的概念。为了更好地理解它，让我们在文本中解读这几个概念：机器学习是什么、发展历程、内部原理和重要性。

人工智能之父，艾伦·图灵很早就曾预测“有一天，人们会带着电脑在公园散步，并告诉对方，今天早上我的计算机讲了个很有趣的事”。 

机器学习的核心是，“用算法解析数据，从中学习，然后对某些事物做出决定或预测。”这意味着，你无需明确地编程计算机来执行任务，而是教计算机如何开发算法来完成任务。机器学习主要有三种类型，它们各有优缺点，分别是：监督学习，无监督学习和强化学习。

来源： Mactores

监督学习涉及到标注数据，计算机可以使用所提供的数据来识别新的样本。

监督学习的两种主要类型是分类和回归。在分类中，训练的机器将把一组数据分成特定的类。比如邮箱的垃圾邮件过滤器，过滤器分析之前标记为垃圾邮件的邮件，并将其与新邮件进行比较。如果达到某个百分比，则这些新邮件会被标记为垃圾邮件，并发送到相应的文件夹；不像垃圾邮件的将被归类为正常并发送到收件箱。

第二种是回归。在回归中，机器使用先前标注的数据来预测未来。比如天气应用。利用天气的相关历史数据（即平均温度，湿度和降水量），手机的天气应用可以查看当前天气，并对一定时间范围内的天气进行预测。

在无监督学习中，数据是未标注的。由于现实中，大多数的数据都是未标注的，因此这些算法特别有用。

无监督学习分为聚类和降维。聚类用于根据属性和行为对象进行分组。这与分类不同，因为这些组不会提供给你。聚类将一个组划分为不同的子组（例如，根据年龄和婚姻状况），然后进行有针对性的营销。另一方面，降维涉及通过查找共性来减少数据集的变量。大多数数据可视化使用降维来识别趋势和规则。

强化学习使用机器的历史和经验来做出决策。强化学习的经典应用是游戏。与监督和无监督学习相反，强化学习不注重提供“正确”的答案或输出。相反，它专注于性能，这类似人类根据积极和消极后果进行学习。如果孩子碰到了热炉，他很快就会学会不再重复这个动作。同样在国际象棋中，计算机可以学习不将王移动到对手的棋子可以到达的地方。根据这个原理，在游戏中机器能够最终击败顶级的人类玩家。

来源： Nvidia

你可能会问，我们说的是人工智能吗？有点，毕竟机器学习是人工智能的一个分支。人工智能注重开发能像人类一样完成复杂任务的机器，甚至完成得比人类更好。这些任务通常涉及判断、策略和认知推理，这些技能最初被认为是机器的“禁区”。虽然听起来很简单，但这些技能的范围非常广泛，涉及到语言处理、图像识别和规划等等。机器学习使用特定的算法和编程方法来实现人工智能。如果没有机器学习，之前提到的国际象棋程序将需要数百万行代码，以及对手所有的落子可能性。通过机器学习，则只需要少量代码。

还有深度学习和神经网络，稍后我们将更详细地介绍它们。但是现在请注意，深度学习是机器学习的一个子集，专注于模仿人类大脑的生物学和运行过程。

机器学习的最早由贝叶斯在1783年发表的同名定理中提出。贝叶斯定理根据类似事件的历史数据得出事件的可能性。换句话说，贝叶斯定理是一种从经验中学习的数学方法，这也是机器学习的基本思想。

来源：XKCD

几个世纪后的1950年，计算机科学家艾伦·图灵发明了图灵测试，计算机通过文本对话，从而让人类认为与其交谈的是人而不是计算机。图灵认为，只有当机器通过这项测试才能被认为是“智能的”。

在此之后不久，1952年，亚瑟·塞缪尔开发了第一个真正的机器学习程序，在简单的跳棋游戏中，计算机能够根据之前的游戏学习策略，并提高之后的表现。接下来是1963年，唐纳德·米基开发了基于强化学习的tic-tac-toe项目。

在接下来的几十年中，机器学习按照相同模式发展着，即技术突破带来更新、更复杂的计算机，通常通过与专业人类玩家进行战略游戏来测试。在1997年，IBM的国际象棋电脑Deep Blue在国际象棋比赛中击败世界冠军Garry Kasparov。最近，谷歌开发的AlphaGo专注于被认为是世界上最难的游戏——围棋。尽管围棋被认为过于复杂，难以被计算机攻克，但AlphaGo最终在2016年击败了李世石。

机器学习的最大突破是2006年深度学习的发展。深度学习是机器学习的一个类别，旨在模仿人类大脑的思维过程，通常用于图像和语音识别。

如今我们使用的许多技术都不离开深度学习。你是否曾将照片上传到Facebook帐户，并标记图中的人物？Facebook正在使用神经网络识别照片中的人脸。还有Siri，当你向iPhone询问今天棒球比赛的比分时，你的语音将通过复杂的语音解析算法进行分析。没有深度学习，这一切都将难以实现。

初学者们要注意了，如果想完全理解大多数机器学习算法，那么必须对一些关键数学概念有基本了解。但不要害怕，这些概念很简单，有些可能你已经掌握了。机器学习涉及到线性代数、微积分、概率和统计。

来源：Towards Data Science

线性代数概念Top 3：

1. 矩阵运算

2. 特征值/特征向量

3. 向量空间和范数

微积分概念Top 3：

1. 偏导数

2. 向量值函数

3. 方向梯度

统计概念Top 3：

1. 贝叶斯定理

2. 组合学

3. 抽样方法

一旦掌握了基本的数学概念，就可以入门机器学习了，有5个主要步骤。

来源： Python Tips

让我们看到一些常见的算法：

这可能是最流行的机器学习算法，线性回归算法是基于连续变量预测特定结果的监督学习算法。另一方面，逻辑回归专门用于预测离散值。这些算法都以其速度而闻名，它们被认为是最快的机器学习算法之一。

来源：Towards Data Science

基于实例的分析根据提供数据的特定实例来预测结果。最著名的基于实例算法是k-Nearest Neighbor，也称为kNN。用于分类中，kNN比较数据点的距离并将每个点分配给它最接近的组。

来源：KDnuggets

决策树算法聚集“弱”学习元素，让它们一起形成强大的算法，这些元素以树状结构组成。其中比较流行的决策树算法是随机森林算法。在该算法中，弱学习元素是随机选择的。在下面的例子中，我们可以发现许多共同的特征（比如眼睛为蓝色或非蓝色），这都无法对动物种类进行辨别。然而，当我们将所有这些观察结果结合在一起时，我们能够形成更完整的理解并进行更准确的预测。

来源：PyBloggers

这些算法基于贝叶斯定理的，最受欢迎的是朴素贝叶斯算法，它经常用于文本分析。例如，大多数垃圾邮件过滤器都使用贝叶斯算法。它们使用按类别标记的用户输入数据来比较新数据，并对其进行适当分类。

来源：Simafore

聚类算法专注找到元素间的共性，并相应地对它们进行分组。常见的聚类算法是K-Means聚类。根据K-Means，分析人员选择聚类的数量（由变量K表示），算法将元素按物理距离分组到适当的聚类中。

来源：Brilliant

人工神经网络算法基于生物神经网络的结构。深度学习采用神经网络模型并对其进行更新。它们是大型且极其复杂的神经网络，使用少量标注数据和大量未标注数据。神经网络和深度学习具有许多输入，这些输入在产生一个或多个输出之前要通过若干隐藏层。这些连接形成一个特定的循环，模仿人脑处理信息和建立逻辑联系的方式。此外，随着算法的运行，隐藏层通常会变得更小、更细微。

来源：Synopsys

下面的图表注明了主要的机器学习算法，它们的类别以及之间的关系。

来源： scikit

一旦选择并运行算法，你还需要一个非常重要的步骤：对结果进行可视化。虽然与算法编程相比，这看似很简单而没有技术含量。但出色的可视化能力对于数据科学家来说是至关重要的。即使你得出的分析见解再好，一旦没有人能理解也是毫无价值的。

我们需要明确的是，机器学习有潜力能够改变世界。通过Google Brain和斯坦福机器等研究团队的努力，我们正朝着真正的人工智能迈进。但是，机器学习即将影响的领域有哪些呢？

物联网或IOT，指家庭和办公室中与网络连接的物理设备。其中一个流行的物联网设备是智能灯泡，其销售额在过去几年中飙升。随着机器学习的进步，物联网设备比以往更智能，更复杂。

物联网相关的机器学习应用主要有两方面，提高设备性能和收集数据。

提高设备性能非常简单，我们可以使用机器学习来定制环境，比如用面部识别软件识别谁是房间里，并相应地调整温度和空调。

收集数据更加简单，通过连接网络的设备（如Amazon echo），亚马逊等公司将收集的用户数据提供给广告商，这些数据包括你会看哪些节目，起床和睡觉的时间，你家里有几口人等等。

来源： i-Scoop

在过去几年，聊天机器人的数量激增，复杂的语言处理算法在不断改进。公司在自己的移动应用和第三方应用上使用聊天机器人，从而提供比更快、更高效的客户服务。例如，如果要从H＆M订购衬衫，你可以告诉他们的聊天机器人你想要的款式和尺寸，轻松订购产品。

来源：zipfworks

如今，雪佛兰、优步和特斯拉等几家大公司正在开发自动驾驶汽车。这些汽车使用通过机器学习进行导航、维护和安全程序。比如交通标志传感器，它使用监督学习算法来识别交通标志，并与标注数据集进行比较。因此，汽车看到停车标志时，系统将进行确认并停车。

来源：Business Insider

以上就是机器学习相关的一些基础概念，希望能够对你的机器学习之旅有所帮助。

原文链接：

https://medium.com/@iamlizzieturner/lets-talk-about-machine-learning-ddca914e9dd1