机器学习教会我们的六件事

机器学习教会我们的六件事

机器学习 (ML) 已经存在了几十年。深度学习的出现, 让机器学习不再局限于学术界，而是进入到更主流的领域当中。

深度学习可以被看作对大脑神经元网络的抽象过程，其使用到的激活函数和反向传播等数学原理的背后，实则是模拟了动物大脑学习和产生信息过程。 深度学习的巨大成功，揭示了从人类本身获得启发并形成算法具有巨大价值。

相反从机器学习的实践中, 我们有什么值得学习和启发的东西吗？ 机器学习不仅囊括了人工神经网络和深度学习，而是一个包含有大量智能算法的领域，它通过演绎和模拟复杂的经验过程, 完成对未知的事物的预测。

以下是我总结的 6 个从机器学习中明白的重要道理：

1. 相信多样性的力量 (随机森林 Random Forests)

​
随机森林通过汇总不同的决策树来达到更稳定的表现, 而每个决策树都负责解决其中的部分问题。独木不成林。

同理，当来自不同背景的人和群体协同和合作时, 往往能得到惊异的好效果。如果仅仅局限在和自己相似的小群体中，我们真正的潜力反而会被限制。

2. 从错误中吸取教训（梯度提升 Gradient Boosting）

不同于通过组合多个分类器，梯度提升方法利用误差，并通过不断地迭代来改进基础分类器。

像梯度提升一样, 我们需要认识到人无完人, 每个人都会犯错误。重要的是找出错误, 从中汲取教训。

与其被成就所牵着走, 不如专注于对生活的每一个阶段纠错。

3. 问题都有解决方案 (核方法和支持向量机 Kernel methods & SVM)

核方法与支持向量机是一对好搭档。它们能将分布在低维空间的数据映射到高维空间中，从而实现数据的分类。

生活不只有玫瑰和彩虹。它也给我们带来难以令人费解的难题, 没有任何现成的解决方案。在绝望的时刻, 能站在未知的更高维度去寻找解决办法，这是非常令人欣慰的。

保持镇静, 从更高的维度思考。

4. 接受改变个人认知 (贝叶斯定理 Bayes theorem)

贝叶斯定理通过计算相关事件的条件概率来更新其先验概率。同样, 我们都对人、文化和社会有先入为主的认知和评判。这些认知来源于我们的社会、经济和人口状况。当我们处于与我们旧认知相悖的新境遇, 有意识地提升和改变自己是至关重要的。

永远不要畏惧改变。

5. 基于当前情况做出决定（梯度下降法 Gradient Descent）

从回归方法到人工神经网络，梯度下降法是许多机器学习方法的重要组成部分，其始终沿着梯度下降的方向最快地到达预期的目的地。

我们经常遇到需要我们在众多替代方案中选择一种方案并作出决定的情况。这些决定都对将来有潜在的影响。梯度下降为我们提供了解决问题的捷径，基于当前的情况提供最佳选择，而不过度考虑将来的过程。

不要等待最理想的方案，你永远无法预测未来。

6. 关系随着时间的推移而变化 ( K-means)

​K-means算法通过对数据进行分配并反复迭代，从而达到聚类的目的。

人际交往和情绪在建立我们的社交关系中起着至关重要的作用。当关系紧张时，我们会感到沮丧。我们应该意识到再强大的关系也可能面对改变或结束，即使你没有做错任何事，就像在K-means中一样。

学会接受事实并珍惜现在所爱的人吧。

作者： Praveen Bysani 翻译：实验楼扫地阿姨
原文链接：https://towardsdatascience.com/6-things-we-all-need-to-learn-from-machine-learning-e88eac480b57

最后推荐几门机器学习课程吧
想学的一定不要错过：

机器学习开放基础课程 https://www.shiyanlou.com/courses/1283

你将学到的
1.Pandas 数据预处理
2.K-近邻
3.线性回归
4.特征工程
5.聚类
6.时间序列数据处理
7.决策树
8.随机森林
9.逻辑回归
10.主成分分析
11.梯度下降法

Kaggle 数据分析项目入门实战https://www.shiyanlou.com/courses/1363

你将学到的
1.数据导入与数据清洗
2.特征工程
3.数据可视化分析
4.构建模型，完成各种预测任务

使用 Python 预测 NBA 常规赛结果
https://www.shiyanlou.com/courses/782

本课程将利用NBA在2015-2016年的比赛统计数据进行回归模型建立，最终在今年2016~2017的常规赛中预测每场比赛的输赢情况。

人机对战初体验：Python 实现四子棋游戏https://www.shiyanlou.com/courses/746

本课程利用Python模拟AI和玩家进行四子棋游戏，利用游戏实验Pygame库，为游戏提供界面和操作支持。AI算法借用蒙特卡洛搜索树思想。通过设置AI的难度系数，即AI所能考虑到的未来棋子的可能走向，从而选择出最佳的方案和玩家对抗。难度系数越大，AI搜索范围越广，它所能做出的决定越明智。