【机器学习】简介
一、定义
机器学习的核心思想是创造一种算法，它能从数据中挖掘出有规律的东西，而不需要针对某个问题去写代码。你需要做的只是把数据“投喂”给这个算法，然后它会在数据上建立自己的逻辑。最基本的机器学习算法是解决分类和回归两大类问题。
二、分类
从机器学习算法本身来看，可分为监督学习、非监督学习、半监督学习、增强学习。
监督学习：给机器的训练数据拥有标记或标签的学习方式是监督学习。监督学习主要处理分类和回归问题，本系列大部分算法都是监督学习类算法，主要的监督学习算法有下面几种。
k近邻 线性回归和多项式回归 逻辑回归 SVM支持向量机 决策树和随机森林
非监督学习：给机器的训练数据没有任何标记或标签答案。
它经常对这些数据做聚类分析型分类和异常值检测。另外非监督学习可用于对数据进行降维，降维包括特征提取和特征压缩，经典的PCA算法就是非监督学习算法用于实现特征压缩，降维把高纬特征向量变为低纬，方便计算和可视化。
半监督学习：顾名思义是监督学习和非监督学习的组合，给机器的训练数据一部分有标记或答案，另一部分没有。这种情况往往更常见，现实中各种原因都可能导致标记缺失。比如手机照片的分类，有些我们自己标记了类别，有些没有，对手机照片的分类就类似一个半监督学习。这类问题一般先使用无监督学习对数据进行处理，之后使用监督学习手段做模型的训练和预测。
增强学习：也叫强化学习，它根据周围环境的情况采取行动，根据每次行动的结果和反馈，学习和调整行动方式，它必须学习什么是最好的策略从而随着时间推移能获得最大回报。如AlphaGo内部的算法。现在无人驾驶，机器人等都是这种方式进行学习。监督学习和半监督学习依然是增强学习的基础。
机器学习的其它分类
在线（online）学习和批量（batch）学习
批量学习：这种学习方式首先要准备一定量的样本数据集资料，将数据集送给模型训练，训练之后即将模型投入生产。其优点是简单，不考虑后来喂入的数据如何优化算法，缺点是模型适应环境变化的能力弱。解决办法是定时重新批量学习，但是计算开销大。
在线学习：训练过程批量学习一样，不同的是在线学习的输入样例也参与模型训练，迭代更新模型。在线学习的优点是及时反应环境变化，但新的数据可能带来不好的变化，比如一些离群点和不正常数据点。解决办法是及时进行异常值检测。
参数学习和非参数学习
参数学习：是对模型做一些规律（函数）性假设，一旦学习到参数，就不再需要原有的数据集执行预测了，如线性回归确定线性模型参数，参数确定后，执行预测时按函数运算就行而无需数据集值的作用。
非参数学习：不对模型做过多假设，参与训练的数据集通常都要参与预测。但非参数学习并不意味没有参数，而是并不对整个问题进行某种模型定义。
三、机器学习步骤
通常学习一个好的函数，分为以下三步：
1、选择一个合适的模型，这通常需要依据实际问题而定，针对不同的问题和任务需要选取恰当的模型，模型就是一组函数的集合。
2、判断一个函数的好坏，这需要确定一个衡量标准，也就是我们通常说的损失函数（Loss Function），损失函数的确定也需要依据具体问题而定，如回归问题一般采用欧式距离，分类问题一般采用交叉熵代价函数。
3、找出“最好”的函数，如何从众多函数中最快的找出“最好”的那一个，这一步是最大的难点，做到又快又准往往不是一件容易的事情。常用的方法有梯度下降算法，最小二乘法等和其他一些技巧（tricks）。
学习得到“最好”的函数后，需要在新样本上进行测试，只有在新样本上表现很好，才算是一个“好”的函数。
四、机器学习案例
数据挖掘
- 血糖值预测：根据性别、年龄、血液各种参数（血小板、白蛋白等等）预测血糖值
- 有无糖料病预测：根据性别、年龄、血液各种参数预测有无糖尿病
计算机视觉
- 图像分类
- 根据输入的手写数字图片，预测数字。或者我们数据库中有很多种动物，训练一种模型，能根据不同动物的图片预测其所属种类。
- 一个应用场景是手写支票的文字识别。
原始图像 --> 机器学习模型 --> 类别
- 目标检测
- 目标检测比图像分类更进一步，模型的输入是一副图像，输出是物体(Object)在图中的区域和类型。
- 比较典型的应用场景是无人驾驶领域。
原始图像 --> 机器学习模型 --> 标签（包括区域信息和类别）
- 语义分割
- 可以理解为是一个分类问题，从检测到的目标图像中，分割出和检测物体相关的像素点信息。
原始图像 --> 机器学习模型 --> 标签（包括区域信息、类别和物体包括的像素信息）
- 场景理解
- 将图片中不同区域的图像分解为不同的区域和场景。
- 典型的案例还是无人驾驶，根据识别的场景，从而规划可行的路线。
自然语言处理
- 文本分类
- 输入新闻稿件，得到新闻所属的类别。
- 典型的案例是Google或百度的新闻自动聚合。
- 机器翻译
- 从一种语言文字翻译为另外一种语言文字。例如常用的Google翻译。
- 生成文章摘要
- 输入文章，生成文字摘要（abstract）
- 情感分析 (sentiment analysis)
- 包括情感分类（sentiment classification）、观点抽取（opinion extraction）、观点问答和观点摘要等。
- 应用案例：通过对微博文字的情感分析，获取客户对企业品牌的评价、分析营销活动的影响、民意调查等
- 问答系统
- 问答系统能够准确地理解以自然语言形式描述的用户提问，并通过检索异构语料库或问答知识库返回简洁、精确的匹配答案。当然除了NLP的技术外还涉及知识图谱等相关技术。
- 例如Apple Siri也是先将文字转换为文本，然后输入到问答系统。
- 人机系统
- 类似问答系统，不同的是人机系统不以获取答案为目的，甚至可以闲聊。例如微软小冰。
- 图像描述（image captioning)
- 输入图像，输出图像对应的文字描述。需要计算机视觉里的场景理解作为前提。
语音识别
- 输入是语音数据，输出文本数据
- 比较常见应用的是语音输入法，现在几乎所有的手机都有类似功能。
机器决策
- 自动驾驶（Autopilot）：有一种端到端学习（End-to-End Learning）的技术。输入为图像和雷达数据，输出为车辆控制信号。
- 游戏AI：比如AlphaStar可以根据游戏屏幕数据操作键盘和鼠标，控制游戏里的角色。最新的消息是AlphaStar已经可以打败星际争霸2顶级职业玩家。
- 机器人：循环输入摄像头数据，输出机械臂等控制信号，以协助机械臂执行相应操作。可以应用在比如家用服务机器人、救援机器人、工业机器人手臂等。
上述几类问题大多需要深度学习+强化学习来解决。
参考：https://www.jianshu.com/p/b9583c7cb6c3
https://blog.csdn.net/hohaizx/article/details/80584307
