机器学习入门简述

所谓“机器学习”就是利用计算机将纷繁复杂的数据处理成有用的信息，这样就可以发掘出数据带来的意义以及隐藏在数据背后的规律。现如今，“机器学习”和“大数据”可以说是IT行业中最热点的两个词汇，而无论是“机器学习”还是“大数据”最终要解决的问题本质上是一样的，用最为直白的话来说就是用现有的数据去预测将来的状况。

 

按照问题的“输入”和“输出”，我们可以将用计算机解决的问题分为四大类：

1输入的信息是精确的，要求输出最优解。

2输入的信息是精确的，无法找到最优解。

3输入的信息是模糊的，要求输出最优解。

4输入的信息是模糊的，无法找到最优解。

在上面的四大类问题中，第1类问题是计算机最擅长解决的，这类问题其实就是“数值计算”和“逻辑推理”方面的问题，而传统意义上的人工智能也就是利用逻辑推理来解决问题（如早期的“人机对弈”）。一直以来，我们都习惯于将计算机称为“电脑”，而基于“冯诺依曼”体系结构的“电脑”实际上只是实现了“人脑”理性思维这部分的功能，而且在这一点上“电脑”通常是优于“人脑”的，而“人脑”在处理输入模糊信息时表现出来的强大的处理能力，在今天看来也不是“电脑”可以完全企及的。所以我们研究人工智能也好，研究机器学习也好，是希望输入模糊信息时，计算机能够给出满意的甚至是最优的答案。

 

至此，我们可以给“机器学习”下一个定义：机器学习是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身性能的学科。机器学习目前已经广泛的应用到生产生活的各个领域，以下列举了一些经典的场景：

1搜索引擎：根据搜索和使用习惯，优化下一次搜索的结果。

2电商网站：自动推荐你可能感兴趣的商品。

3贷款申请：通过你最近的金融活动信息进行综合评定。

4图像识别：自动识别图片中有没有不和谐的内容。

 

机器学习可以分为监督学习和非监督学习。监督学习是从给定的训练数据集中学习得到一个函数，当新的数据到来时，可以根据这个函数预测结果，监督学习的训练集包括输入和输出，也可以说是特征和目标。监督学习的目标是由人来标注的，而非监督学习的数据没有类别信息，训练集也没有人为标注结果，通过无监督学习可以减少数据特征的维度，以便我们可以使用二维或三维图形更加直观地展示数据信息 。

 

实现机器学习的一般步骤：

1数据收集

2数据准备

3数据分析

4训练算法

5测试算法

6应用算法

 

 

机器学习是数据驱动的算法，数据驱动=数据+模型，模型就是输入到输出的映射关系。
特征工程决定了机器学习的上限，而算法和模型只是逼近这个上限。