机器学习概要

Posted 2021-01-22 rb26dett

一、机器学习的定义

机器学习是一个很广的研究领域，其实到现在也并没有一个很正式官方的定义，但历史上确有流传下两个比较有名的版本

"Field of study that gives computers the ability to learn without being explicity programmed." —— Arthur.Samuel

这是一个比较老的版本，Ng说这种定义是older and informal，不过我觉得还比较简单好理解，然后下面是比较新比较正式的一个

"A computer program is said to learn from experience E with respect to same class of tasks T and performance at tasks in T, as measured by P, improved with experience E." —— Tom mitchell

这个定义可能稍微抽象一些，举个下棋的例子就是，E代表下了很多盘棋之后程序获得的下棋经验，T代表下棋这个任务，P代表程序在下一局棋中获胜的概率，那么机器学习就是使得一个程序在T这个任务中，性能（通过P来衡量）伴随着E的存在而表现得更好。

二、机器学习的分类

按针对的问题以及算法的不同，我们可以大致将机器学习分为监督学习（Supervised Learning）、非监督学习（Unsupervised Learning），还有强化学习（Reinforcement Learning）和推荐学习系统（Recommender Learning System）等。

1.监督学习（Supervised Learning）

监督学习的特点是（1）有一个数据集（2）知道正确的输出应该是什么（3）输入输出之间存在某种关系，这些特点是监督学习和非监督学习不同的地方所在，也是我们分析问题，决定采用何种算法的依据所在，而监督学习又可以分为回归（Regression）和分类（Classification），其中回归问题尝试通过连续的输出来预测结果，而分类问题期望得到离散的预测，对目标进行分类。

举个栗子

（1）给你看一张美女照片，喊你猜一下这姑娘多大——这就是回归问题，因为①给你了一个数据集（照片）②已经有人知道正确的输出是多少（至少那姑娘自己该知道吧）③我们知道输入输出之间存在某种关系（废话嘛姑娘的照片啥样肯定和她的年龄有关系呀），好！所以首先这是一个监督学习问题，然后因为要预测的是她的年龄，所以可能的输出是连续的（随便你猜嘛），不是点头摇头就能猜对的，所以这是一个回归问题

（2）你对象问你，你爱不爱我——这就是分类问题，因为①给你了一个数据集（对象）②已经有人知道正确的输出是多少（爱不爱，相信你的心里有tree）③输入输出之间存在某种关系（...），所以这也是一个监督学习问题，然后你要回答爱或不爱（没错标准程序员理工直男思维），只有这两个选项（对应两种结果的分类），所以这就是一个分类问题（其他回答超过本门课程范畴暂不讨论:) ）

2.非监督学习（Unsupervised Learning）

非监督学习的特点是（1）允许我们在几乎不知道会出现什么结果的情况下对问题进行探索（2）在我们并不一定知道其中变量（Variables）的意义的情况下，从数据中挖掘出一些结构（Structure）（3）基于数据中变量之间关系对数据进行聚类（Clustering）并得到一种结构（4）对于预测的结果并不存在反馈（Feedback），而非监督学习也可分为聚类（Clustering）和非聚类（Non-clustering），聚类对输入数据通过分析划分成不同的类，每个类都具有一定的共性（区别于其他的类别），非聚类是对数据分析发现数据中的一些特点。

再举个栗子

（1）给你一堆猪，有野猪，家猪，小猪佩奇和乔治，让你对这些猪分个类——这是聚类问题，因为①这个问题并没有标准答案（你要是愿意把佩奇和野猪分到一起也不能说有啥不对...emm）②我们可能并不知道划分的依据是什么，就得到了一个结果③聚类过程是根据数据变量间的关系来进行划分的④对于预测结果没有什么反馈，所以首先这是一个非监督学习问题，然后我们就是希望对这些猪做一个聚类，所以很明显就是一个聚类问题啦

（2）这里有一个很有名的例子，" The Cocktail Party Algorithm "，大概就是在鸡尾酒聚会上，在嘈杂的环境中分离出了一个人报数的声音（就是所有人都玩的很嗨的时候他在静静的报数）——这就是一个非聚类问题，因为①这个问题没有正确答案（我们也不知道事先会分离出什么样的音频）②不知道划分的依据是什么，那些用以划分数据的特征都有什么含义③通过数据中变量特征间的关系来对数据进行分析（这个人声音很独特，每一声报数的韵律也有相似性）④对于结果并没有反馈，我们只是得到了这个结果，所以这也是一个非监督学习问题，再因为它的目的并不是对数据进行一个聚类划分，而是从数据中提取到某些特征，所以这是一个非聚类问题

3.强化学习和推荐系统

（本人学识浅薄，尚未涉及，所以无从说起，就给出维基百科上的定义大家参考参考）

（1）强化学习（Reinforcement learning）是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。

强化学习和标准的监督学习之间的区别在于，它并不需要出现正确的输入/输出对，也不需要精确校正次优化的行为。强化学习更加专注于在线规划，需要在探索（在未知的领域）和遵从（现有知识）之间找到平衡。

（2）推荐系统（Recommender Learning System）是一种信息过滤系统，用于预测用户对物品的“评分”或“偏好”。

推荐系统近年来非常流行，应用于各行各业。推荐的对象包括：电影、音乐、新闻、书籍、学术论文、搜索查询、分众分类、以及其他产品。也有一些推荐系统专门为寻找专家、合作者、笑话、餐厅、美食、金融服务、生命保险、网络交友，以及Twitter页面设计。

三、关于机器学习

本文对机器学习的大致几个方向做了介绍，但其中知识之广之深可能穷其一生也无法知晓，只是以此作为无涯学海的开头，愿你我共在时间的滚滚巨轮上摸爬滚打，留下自己的痕迹。

如果说把AI具象化为一个人，那么正是机器学习成就了他的智慧，其中深度学习就像他的大脑，计算机视觉是他的眼眸，还有自然语言处理，语音识别等等，机器学习没有完美之说，只有不断突破上限，我们目睹近年来AI的火热，机器学习重振雄风，一马当先，我期待着它带给我更多惊喜，但是越往前走，眼看着摆在我们面前的确是机器学习解决不了的哲学伦理问题...我总是期盼着它能造福人类，为我们带来幸福，可未来如何，谁又知道，且让我们拭目以待（嗯额以上言论纯属扯淡，与正文无关嘻嘻）