摘要：歡迎常來為什么要學老師上課時候就說過傳統(tǒng)算法解決確定性問題，而機器學習解決非確定性問題。機器學習算法機器學習算法和普通算法還是有很大區(qū)別的。而自動駕駛等前言機器人，都使用了增強學習。學習資料在線課程入門機器學習經(jīng)典算法與應用書籍機器學習實戰(zhàn)

文章圖片來源于 GitHub，網(wǎng)速不佳的朋友請點我看原文。

順便軟廣一下個人技術(shù)小站：godbmw.com。歡迎常來?(^?^*)

老師上課時候就說過：傳統(tǒng)算法解決確定性問題，而機器學習解決非確定性問題。

好吧，確實激起了我的興趣，所以系統(tǒng)學習一下吧。

機器學習算法和普通算法還是有很大區(qū)別的。它不要求百分之百準確，并且對數(shù)學要求較高。

我認為重點有幾下 4 點：

理解算法原理

應用實際場景

進行對比試驗

不同算法對比

同一算法不同參數(shù)對比

難點有幾下幾點：

如何評價算法好壞

解決擬合和過擬合

如何正確調(diào)參

如何驗證算法正確性

有些算法既可以處理分類、也可以處理回歸任務，而在一些情況下，回歸任務可以簡化為分類任務，以方便問題解決。

常見的有分類任務有 2 分類和多分類任務，并且兩者之間可以轉(zhuǎn)化。

比如 AlphaGo 下圍棋，可以理解成一個多分類任務：因為是在選擇棋盤上的落子點。除此之外，推箱子游戲：可能有 2-4 個方向提供選擇，也可以理解成分類任務。

而在 ML 前沿領(lǐng)域，實現(xiàn)了多標簽分類：不再單純的是一個分類，而是擁有多個標簽。

例如下面這張含有多個標簽的圖片，多標簽會讓機器對它的定位更準確：

機器獲得結(jié)果是一個連續(xù)的數(shù)字的值，而不是一個類別。連續(xù)的值可以劃分為無限多個小的點（可以理解成無限多個類別），又怎么能處理成類別呢。

交給算法的訓練數(shù)據(jù)已經(jīng)被打了“標簽”，或者已經(jīng)給出了分類。訓練后的算法可以給新的數(shù)據(jù)打標簽或者分類。

因此，監(jiān)督學習的訓練數(shù)據(jù)需要大量的人力來進行標記。

當然，在一些領(lǐng)域已經(jīng)積累了一些被標記的數(shù)據(jù)信息，例如大型博客平臺，對每篇博客都有分類和標簽。這種時候，監(jiān)督學習的人力成本基本就是 0 了。

給機器的訓練數(shù)據(jù)沒有任何“標簽”，或者分類。訓練后的算法仍然可以給新的數(shù)據(jù)打標簽或者分類。

經(jīng)常聽到的算法，就有聚類分析，比如每個用戶都被電商平臺劃分到某一用戶群體。

另一個非常重要的用途，是對數(shù)據(jù)進行降維處理：

特征提取：提取重要的特征，去除不重要的特征。防止噪聲影響特征提取。

特征壓縮：在保證數(shù)據(jù)信息不被過多損害的情況下，將高維向量壓縮成低維向量，例如 PCA 算法。在保證穩(wěn)定性的情況下，提高處理速度。

另一個非常重要的用途：異常檢測。如下圖所示。以方便算法發(fā)現(xiàn)一般性特征和規(guī)律。

一部分數(shù)據(jù)有“標簽”或分類，另一部分并沒有。

此時，一般通過無監(jiān)督學習手段對數(shù)據(jù)進行處理，之后使用監(jiān)督學習做模型的訓練和預測。

根據(jù)周圍環(huán)境，采取行動，再根據(jù)行動結(jié)果，改善學習行動方式。

如下圖所示，agent 使我們的算法，當他執(zhí)行后，會根據(jù)環(huán)境反饋來執(zhí)行獎賞或者懲罰，再改進行為模式。循環(huán)往復。

而 AlphaGo、自動駕駛等前言機器人，都使用了增強學習。

批量學習是指：算法一旦根據(jù)數(shù)據(jù)訓練出模型后，不會接受新的數(shù)據(jù)來優(yōu)化模型。在線學習是指：算法運行的過程中，也會把吸收新數(shù)據(jù)進行模型訓練。

優(yōu)缺點顯而易見，前者更省心，但是無法適應數(shù)據(jù)快速變化的場景；后者可以及時針對不同的數(shù)據(jù)來優(yōu)化模型，但是容易受到新數(shù)據(jù)中垃圾數(shù)據(jù)影響。

參數(shù)學習是給出數(shù)據(jù)模型，剩下的工作就是利用算法找出最合適參數(shù)。比如假定數(shù)據(jù)點符合y = ax + b的模型，剩下工作就是用最小二乘法之類的算法找到(a,b)的最優(yōu)解。

非參數(shù)學習相反，不對模型進行過多假設，不將問題理解成學習一些參數(shù)。

在線課程：
Python3 入門機器學習 經(jīng)典算法與應用

書籍：《python 機器學習實戰(zhàn)》