機器學習1：什麼是機器學習？
機器學習是一幫計算機科學家想讓計算機像人一樣思考所研發出來的計算機理論，他們曾經說過人和計算機其實本沒有差別，同樣都是一大批互相連接的信息傳遞和存儲元素所組成的系統。所以有了這樣的想法，加上他們的天獨厚的數學功底，機器學習的前身也就孕育而生了。
什麼是機器學習
機器學習的萌芽誕生與19世紀60年代，20年前開始逐漸興起，他是一門跨學科的交融。這裡面包含了概率論、統計學等等學科。隨著計算機硬體的提升，計算機運算速度的不斷提高，它真正開始計入我們的日常生活當中。而在不久的將來，我相信它會成為我們生活中必不可少的組成元素。我們說說日常生活中機器學習的應用。第一個提到的最具代表性的公司應該就是google,它們所研發的GOOGLE NOW,GOOGLE PHOTOS 都是基於機器學習的產物。同樣在百度，圖片識別也是應用到機器學習中的視覺處理系統。於此同時，各種各樣的企業都開始嘗試把自己的產品往機器學習上靠攏。比如金融公司的匯率預測，股票漲跌。房地產公司的房價預測等等。
機器學習不僅有一種方法，實現它的方法多種多樣。這裡所說的方法，在程序語言中，我們叫做演算法。目前所有機器學習演算法大概可以被分為4到5類，
1、監督學習演算法：
如果在學習過程中，我們不斷的向計算機提供數據和這些數據對應的值，比如說給計算機看貓和狗的圖片，告訴計算機那些圖片里是貓，那些是狗，然後在讓它學習去分辨貓和狗。通過這種指引的方式，讓計算機學習我們是如何把這些圖片數據對應上圖片所代表的物體。也就是讓計算機學習這些標籤可以代表那些圖片。這種學習方式叫做「監督學習」。預測房屋的價格，股票的漲停同樣可以用監督學習來實現。大家所熟知的神經網路同樣是一種監督學習的方式。
監督演算法
2、非監督學習演算法：
同樣在這種學習過程中，我只給計算機提供貓和狗的圖片，但是並沒有告訴它那些是貓那些是狗。取而代之的是，我讓它主機去判斷和分類。讓它自己總結出這兩種類型的圖片的不同之處。這就是一種「非監督學習」，在這種學習過程中，我們可以不用提供數據所對應的標籤信息，計算機通過觀察各種數據之間的特性，會發現這些特性背後的規律。這些規律也就是非監督方法所學到的東西。
3、半監督學習演算法：
還有一種方法，綜合了監督學習和非監督學習的特徵，這種叫作「半監督學習」，它主要考慮如何利用少量
有標籤的樣本和大量的沒有標籤樣本進行訓練和分類。在規劃機器人的行為準則方面，一種機器人學習方法叫作「強化學習」，也就是把計算機丟到一個對於它完全陌生的環境或者讓它完成一項從未接觸過的任務。它自己回去嘗試各種手段。最後讓自己成功使用這一個陌生的環境。或者學會完成這件任務的方法途徑。比如我想訓練機器人去投籃，我們只需要給它一個球。並告訴它你投進了我給你記一分，讓它自己去嘗試各種各樣的投籃方法。在開始階段，它的命中率可能會非常低。不過它回像人類一樣主機總結和學習投籃失敗或成功的經驗。最後達到很高的命中率。GOOGLE 開發的ALPHAGO 也就是應用了之一種學習方式。
半監督演算法
4、遺傳演算法：
還有一種和強化學習類似的學習方法，叫做遺傳演算法。這種方法是模擬我們熟知的進化理論，淘汰弱者，適者生存。通過這樣的淘汰機制去選擇最優的設計或模型。比如開發者所開發的計算機學會超級瑪麗，最開始的馬里奧1代可能不久就犧牲了，不過系統會基於1代的馬里奧隨機生成2代。然後在保存這些代裡面最厲害的馬里奧。淘汰掉比較弱的馬里奧代，然後再次基於強者「繁衍和變異」，生出更強的馬里奧，這也就是遺傳演算法的基本思想。
遺傳演算法
以上就是當今比較重要的機器學習方法，我們再來總結一下。他們包括有數據和標籤的監督學習，沒有數據沒有標籤的非監督學習，有結合了監督學習和非監督學習的半監督學習。還有從經驗中總結提升的強化學習。最後是和強化學習類似的，有著適者生存不適者淘汰準則的遺傳演算法。如果你不僅僅滿足於弄懂這些的區別，還想學者如何在你的生活中使用這些機器學習的方法，歡迎持續關注。
TAG:機器學習 |