AI 入行那些事儿（5）以模型为驱动学习机器学习

2021 开年巨献 —— 系列文章《AI 入行那些事儿》，为您讲述：

• 人工智能的基础原理、发展历程、当前应用
• 成为 AI 技术人员所需的入门技能和学习途径
• 以及求职、面试的全过程

模型：机器学习三要素的核心

机器学习的三要素中，最核心的是模型。无论算法还是数据都是为获得模型服务的。

建议读者在学习机器学习时，从模型函数入手，以数据处理、特征提取等知识为辅。通过推导模型的目标函数，来学习求解过程，并以此来学习算法。

有监督学习 vs 无监督学习机

简单来说，机器学习模型可以分为两种：有监督的和无监督的。

有监督学习

前文提到的关于员工信息的模型就是有监督的模型，每一个训练数据样例都有一个人工打上的标签。

有监督的模型可以分成多种类型，其中最常用的有回归模型和分类模型两种。回归模型的预测结果是连续的，它输出的是一个范围内的连续型任意值，而分类模型的预测结果是离散的，是几个有限的域离散值中的一个。

垃圾邮件过滤器就是一种分类模型，在一封邮件进入系统后，垃圾邮件过滤器会对邮件进行判断，并给它打一个标签。这个标签只可能是“垃圾”或“不是垃圾”，不存在第三种情况，所以它的输出是有限个。

线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯分类器、隐马尔可夫模型、条件随机场等都是有监督的模型。

无监督学习

没有标签的训练数据被用于无监督学习。

无监督算法中最典型的一种是聚类。聚类是指把特征相同的一些样本聚集在一起。

实际上，在聚集之前，我们也不知道聚集的结果是什么，在聚集之后，我们仍然不知道聚集起来的是什么类别的样本。K均值和谱聚类都是无监督的聚类模型。

机器学习的应用

机器学习的应用领域非常广泛，在金融领域，有一个术语叫做 Fintech，是指把以前很多由人工来完成的工作交给机器学习模型来完成。

在北美，风控、风险评估、贷款评估等工作都已经完全通过这种自动化的方式来完成了。

在中国，机器学习的发展相对较慢，很多工作还是由人工完成，但近年来，中国的银行也在发生变化，自动化的工作越来越多。

除此之外，数据发掘、电商推荐系统（包括用户画像），以及工业上的异常检测等都是机器学习的应用领域。