【机器学习基础】机器学习介绍

机器学习介绍

　　机器学习是一个跟“大数据”一样近几年格外火的词汇。而机器学习究竟是一个什么过程或者行为呢？接下来，让我们来看看什么是机器学习。

1.什么是机器学习

　　机器学习是人工智能的一个分支。人工智能的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点，一条自然、清晰的脉络。机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习算法是一类从数据中自动分析获得规律（模型），并利用规律对未知数据进行预测的算法

2.机器学习的分类 　　机器学习主要分为三大类：监督学习，无监督学习，强化学习。

监督学习 　　每一个样本都有着明确地标签，我们需要总结出这些训练样本向量与标签的映射关系。简单来说，监督学习可以理解为对未来事件进行预测。监督学习可分为“回归”和“分类”两类问题。

• 分类（classification）：分类是机器学习中使用地最多的一大类算法，可以将实例数据划分到合适的类别中。

　　应用实例：判断网站是否被黑客入侵（二分类 ），手写数字的自动识别（多分类）

• 回归（regression）：回归是一种解题方法，或者说“学习”方法，是机器学习中比较重要的内容，主要用于预测数值型数据。

　　应用实例：股票价格波动的预测，房屋价格的预测等。

无监督学习 　　指人们在获得训练的向量数据后在没有标签的情况下尝试找出其内部蕴含关系的一种挖掘工作，这个过程中使用者除了可能要设置一些必要的超参数以外，不用对这些样本做任何的标记甚至是过程干预。简单来说，无监督学习可以理解为发现数据本身潜在的结构。 　　通过无监督学习，可以在没有已知输出变量（有别于监督学习）和反馈函数（有别于强化学习）指导的情况下，提取有效信息，从而探索数据的整体结构。 　　无监督学习包含“聚类”和“降维”两类问题。

• 聚类（clustering）：聚类是一种典型的“无监督学习”，是把物理对象或抽象对象的集合分组为由彼此类似的对象组成的多个类的分析国产。
• 降维（Dimensionality reduction）：降维在数据特征预处理时经常使用，可以清除数据中的噪声，能在最大程度保留相关信息的情况下将数据压缩到一个维度较小的子空间，但可能会降低某些算法在准确方面的性能。

强化学习 　　所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号(强化信号)函数值最大，强化学习不同于监督学习，主要表现在教师信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。 　　Alphago就是强化学习在现实应用的成功案例之一，通过“深度学习”的训练，Alphago击败了多位围棋世界冠军

3.机器学习常见算法 　　1.线性回归 (Linear Regression) 　　2.逻辑回归 (Logistic Regression) 　　3.决策树 (Decision Tree) 　　4.支持向量机（SVM） 　　5.朴素贝叶斯 (Naive Bayes) 　　6.K邻近算法（KNN） 　　7.K-均值算法（K-means） 　　8.随机森林 (Random Forest) 　　9.降低维度算法（DimensionalityReduction Algorithms） 　　10.GradientBoost和Adaboost算法