初识机器学习

Posted 2020-10-07

　　翻开周志华老师的《机器学习》这本书，摘自绪论这段话：机器学习正是这样的一门学科，它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。而在计算机系统当中，“经验”就是以“数据”的形式存在，所以，机器学习所研究的主要内容是：关于在计算机上从数据中产生“模型”的算法，即“学习算法”。

　　要进行机器学习，首先要有数据，数据的集合称为数据集，而其中每条记录是关于一个事件或对象的描述，称为一个“示例”或“样本”，就像自己要做的MoviesLens数据集一样，用户、物品、评分、时间戳等为该数据集的属性；而对应的用户id，物品id，用户对物品的评分值作为属性值；可通过一个三维空间来描述这样的向量关系，用户id，物品id，评论值三者作为三条坐标轴，那么每一条这样的数据都可以在这个三维空间当中找到自己的位置。这里的“维数”就是指有多少个属性，例如MoviesLens数据集一般只用到三个属性，即可看成是三维空间。

　　从数据中学得模型的过程称为“学习或训练”，这是通过算法实现的过程。那么这里所训练的数据称为“训练集”。那么要想得到一个“预测”模型，首先要得到结果信息，比如对于推荐系统，我看了一部电影，例如《赌神》，那么在1000部电影当中有10部电影是我喜欢的类型，通过预测模型计算出来的10部电影和我本身想得到结果进行对比，就可以知道我的这个预测模型准确率是多少了。

　　若预测的是离散值，此类学习任务称为“分类”，若预测的是连续值，称为“回归”。根据训练数据是否拥有标记信息，学习任务可大致分为两大类：“监督学习”和“无监督学习”，其中分类和回归是前者的代表，聚类则是后者的代表。机器学习的目标是使学得的模型能很好的适用于“新样本”，而学得的模型适用于新样本的能力。称为“泛化”能力，且一般而言，训练的样本越多，就越有可能获得强泛化能力的模型。

　　对于目前的大数据时代，作为三大关键技术：机器学习、云计算、众包；其中机器学习提供数据分析能力、云计算提供数据处理能力、众包提供数据标记能力。

　　初识机器学习，以后会继续更新。