摘要：前言只有光頭才能變強(qiáng)沒(méi)錯(cuò)，這篇主要跟大家一起入門(mén)機(jī)器學(xué)習(xí)。所以我們可以總結(jié)出人工智能機(jī)器學(xué)習(xí)深度學(xué)習(xí)之間的關(guān)系是這樣的機(jī)器學(xué)習(xí)，是實(shí)現(xiàn)人工智能的重要方法。機(jī)器學(xué)習(xí)資源，可關(guān)注我的公眾號(hào)，回復(fù)機(jī)器學(xué)習(xí)即可領(lǐng)取。有周志華機(jī)器學(xué)習(xí)電子版。

只有光頭才能變強(qiáng)

沒(méi)錯(cuò)，這篇主要跟大家一起入門(mén)機(jī)器學(xué)習(xí)。作為一個(gè)開(kāi)發(fā)者，”人工智能“肯定是聽(tīng)過(guò)的。作為一個(gè)開(kāi)發(fā)面試者，肯定也會(huì)見(jiàn)過(guò)”機(jī)器學(xué)習(xí)“這個(gè)崗位(反正我校招的時(shí)候就遇到過(guò))。

可能還會(huì)聽(tīng)過(guò)或者見(jiàn)過(guò)“深度學(xué)習(xí)”、“神經(jīng)網(wǎng)絡(luò)”等等這些非常火的名詞，那你對(duì)這些術(shù)語(yǔ)了解多少呢？

相信大家這幾天在朋友圈也可以看到這照片：

// 通過(guò)if else 以人工窮舉的方式來(lái)假裝實(shí)現(xiàn)智能機(jī)器人聊天

希望閱讀完本文中后，大家可以對(duì)這些術(shù)語(yǔ)和機(jī)器學(xué)習(xí)有一定的了解。

首先我們來(lái)簡(jiǎn)單看看人工智能、深度學(xué)習(xí)、機(jī)器學(xué)習(xí)這些術(shù)語(yǔ)和它們之間的關(guān)系究竟是怎么樣的。

不知道聽(tīng)到“人工智能”大家會(huì)聯(lián)想到什么，可能大多數(shù)都會(huì)想到科幻電影的機(jī)器人。

我們看來(lái)看看維基百科的定義：

人工智能（英語(yǔ)：Artificial Intelligence，縮寫(xiě)為 AI）亦稱機(jī)器智能，指由人制造出來(lái)的機(jī)器所表現(xiàn)出來(lái)的智能。通常人工智能是指通過(guò)普通計(jì)算機(jī)程序的手段實(shí)現(xiàn)的人類(lèi)智能技術(shù)。

人工智能也可以分成兩類(lèi)：

強(qiáng)人工智能：強(qiáng)人工智能觀點(diǎn)認(rèn)為“有可能”制造出“真正”能推理（Reasoning）和解決問(wèn)題的智能機(jī)器，并且，這樣的機(jī)器將被認(rèn)為是具有知覺(jué)、有自我意識(shí)的。

像絕大多數(shù)科幻電影中的機(jī)器人就是在這范疇

弱人工智能：弱人工智能觀點(diǎn)認(rèn)為“不可能”制造出能“真正”地推理和解決問(wèn)題的智能機(jī)器，這些機(jī)器只不過(guò)“看起來(lái)”像是智能的，但是并不真正擁有智能，也不會(huì)有自主意識(shí)。

我們目前階段的人工智能，其實(shí)都是弱人工智能。

不知道聽(tīng)到“機(jī)器學(xué)習(xí)”大家會(huì)聯(lián)想到什么。Emmm...反正我就是從字面的意思去理解：“機(jī)器可以自我學(xué)習(xí)”。

首先我們看一下維基百科是怎么說(shuō)的：

機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一個(gè)途徑，即以機(jī)器學(xué)習(xí)為手段解決人工智能中的問(wèn)題。機(jī)器學(xué)習(xí)在近30多年已發(fā)展為一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、計(jì)算復(fù)雜性理論等多門(mén)學(xué)科

簡(jiǎn)單來(lái)說(shuō)：機(jī)器學(xué)習(xí)可以通過(guò)大量的數(shù)據(jù)或者以往的經(jīng)驗(yàn)自動(dòng)改進(jìn)計(jì)算機(jī)程序/算法。

生成完模型f(x)之后，我們將樣例數(shù)據(jù)丟進(jìn)模型里邊，就可以輸出結(jié)果：

我們說(shuō)機(jī)器學(xué)習(xí)可以自我學(xué)習(xí)，是因?yàn)槲覀儠?huì)將樣例數(shù)據(jù)也會(huì)丟到“歷史數(shù)據(jù)”中，這樣生成模型就會(huì)有一定的改動(dòng)，從而達(dá)到“自我學(xué)習(xí)”的效果。

等等，我們好像還沒(méi)講深度學(xué)習(xí)呢。我們從上面機(jī)器學(xué)習(xí)的介紹也可以知道，機(jī)器學(xué)習(xí)已發(fā)展為一門(mén)多領(lǐng)域交叉學(xué)科，機(jī)器學(xué)習(xí)中就有好多個(gè)經(jīng)典的算法，其中就包含了神經(jīng)網(wǎng)絡(luò)(深度學(xué)習(xí)可看成是神經(jīng)網(wǎng)絡(luò)的升級(jí)版)。由于近幾年深度學(xué)習(xí)發(fā)展迅猛，一些特有的學(xué)習(xí)手段相繼被提出，所以越來(lái)越多的人將其多帶帶看作一種學(xué)習(xí)的方法。

《機(jī)器學(xué)習(xí) 周志華》：

所謂深度學(xué)習(xí)，狹義地說(shuō)就是“很多層”的神經(jīng)網(wǎng)絡(luò)，在若干測(cè)試和競(jìng)賽下，尤其涉及語(yǔ)音、圖像等復(fù)雜對(duì)象的引用中，深度學(xué)習(xí)取得優(yōu)越的性能。

所以我們可以總結(jié)出人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)之間的關(guān)系是這樣的：

機(jī)器學(xué)習(xí)，是實(shí)現(xiàn)人工智能的重要方法。

深度學(xué)習(xí)，是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。

想要了解更多，可參考：

人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的區(qū)別?

https://www.zhihu.com/question/57770020

通過(guò)上面我們可以簡(jiǎn)單認(rèn)為機(jī)器學(xué)習(xí)就是：利用計(jì)算機(jī)從歷史數(shù)據(jù)找出規(guī)律，把這些規(guī)律用到未來(lái)不確定場(chǎng)景的決策中。

下面我們?cè)賮?lái)學(xué)習(xí)一下機(jī)器學(xué)習(xí)的一些入門(mén)知識(shí)。

特征、樣本、數(shù)據(jù)集、標(biāo)記這些術(shù)語(yǔ)的說(shuō)明：

特征(屬性)所張成的空間叫做特征空間。

例如我們把“色澤”、"根蒂“、”敲聲“作為三個(gè)坐標(biāo)軸，則它們張成一個(gè)用于描述西瓜的三圍空間，每個(gè)西瓜都可在這個(gè)空間中找到自己的坐標(biāo)位置。由于空間中的每個(gè)點(diǎn)對(duì)應(yīng)一個(gè)坐標(biāo)向量，我們也把一個(gè)示例稱為“特征向量”。

回到我們上面的圖，再來(lái)講講“訓(xùn)練數(shù)據(jù)”、“訓(xùn)練”、“標(biāo)記”：

一般機(jī)器學(xué)習(xí)又可以分成以下幾類(lèi)：

監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)

非監(jiān)督學(xué)習(xí)

增強(qiáng)學(xué)習(xí)

監(jiān)督學(xué)習(xí)：訓(xùn)練數(shù)據(jù)(Training Data)可以告訴我們要找的那個(gè)模型的輸入(Input)與輸出(Output，也就是我們說(shuō)的label)之間有什么樣的關(guān)系。

給出的數(shù)據(jù)都有“答案”或“標(biāo)記”

訓(xùn)練數(shù)據(jù)："Java3y公眾號(hào)"->好的公眾號(hào)  ， "Java4y公眾號(hào)"->不好的公眾號(hào)。 
輸出結(jié)果：好的公眾號(hào)或者不好的公眾號(hào)

在監(jiān)聽(tīng)學(xué)習(xí)下又分為兩種算法：

回歸(Regression)：結(jié)果是一個(gè)連續(xù)的數(shù)值(scalar)，而非類(lèi)別

分類(lèi)(Classification)：為訓(xùn)練數(shù)據(jù)進(jìn)行分類(lèi)別(多分類(lèi))

二分類(lèi)：類(lèi)別只有兩種結(jié)果(YES OR NO)

回歸例子：知道前幾天的PM2.5數(shù)值，預(yù)測(cè)一下明天的PM2.5數(shù)值。

二分類(lèi)例子：判斷一封郵件是垃圾郵件還是正常郵件。

多分類(lèi)例子：將新聞帖子分類(lèi)成不同的類(lèi)別。

非監(jiān)督學(xué)習(xí)：訓(xùn)練數(shù)據(jù)(Training Data)沒(méi)有對(duì)應(yīng)“答案”或“標(biāo)記”

訓(xùn)練數(shù)據(jù)："Java3y公眾號(hào)"  "Java4y公眾號(hào)" "Java5y公眾號(hào)"  "Java6y公眾號(hào)" "yyy公眾號(hào)" "xxx公眾號(hào)" "zzz公眾號(hào)"
輸出結(jié)果：("Java3y公眾號(hào)"  "Java4y公眾號(hào)" "Java5y公眾號(hào)"  "Java6y公眾號(hào)") ("yyy公眾號(hào)" "xxx公眾號(hào)" "zzz公眾號(hào)")   分門(mén)類(lèi)別

對(duì)沒(méi)有“標(biāo)記”的數(shù)據(jù)進(jìn)行分類(lèi)-聚類(lèi)分析

聚類(lèi)分析例子：在以前，中國(guó)移動(dòng)有三個(gè)品牌：神州行、動(dòng)感地帶、全球通。我們給一堆的SIM卡交由學(xué)習(xí)算法訓(xùn)練，不告訴它每張SIM卡具體是什么卡，最后我們是可以將這些SIM卡分類(lèi)別出來(lái)的。

理解了監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)，對(duì)于半監(jiān)督學(xué)習(xí)就很容易理解了。

一部分?jǐn)?shù)據(jù)有“標(biāo)記”或者“答案”，另一部分?jǐn)?shù)據(jù)沒(méi)有

因?yàn)楦鞣N原因產(chǎn)生的標(biāo)記缺失。

通常都會(huì)使用非監(jiān)督學(xué)習(xí)手段對(duì)數(shù)據(jù)進(jìn)行處理(特征提取、降維)，之后再只用監(jiān)督學(xué)習(xí)手段做模型的訓(xùn)練和預(yù)測(cè)。

根據(jù)周?chē)h(huán)境的情況，采取行動(dòng)，根據(jù)采取行動(dòng)的結(jié)果，學(xué)習(xí)行動(dòng)方式

每次行動(dòng)，就給這次的行動(dòng)評(píng)分，算法會(huì)根據(jù)評(píng)分來(lái)評(píng)估下一次的行動(dòng)是好還是壞，最終不斷改進(jìn)。

例子：Alpha Go下每步棋的時(shí)候都會(huì)評(píng)估自己這次下得怎么樣，通過(guò)最終的結(jié)果不斷改進(jìn)下的每步棋。

除了我們上面所說(shuō)的監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、增強(qiáng)學(xué)習(xí)之外，機(jī)器學(xué)習(xí)也可以分成：

在線學(xué)習(xí)：及時(shí)將樣例數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練。

需要加強(qiáng)對(duì)數(shù)據(jù)進(jìn)行監(jiān)控(有可能樣本數(shù)據(jù)是臟數(shù)據(jù)，這樣就破壞我們的模型)

離線(批量)學(xué)習(xí)：定時(shí)將樣例數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練。

不能很快的適應(yīng)環(huán)境的變化

還有：

參數(shù)學(xué)習(xí)：一旦學(xué)到了參數(shù)，就不再需要原有的數(shù)據(jù)集。通過(guò)調(diào)參數(shù)就好了。

非參數(shù)學(xué)習(xí)：不對(duì)模型進(jìn)行過(guò)多的假設(shè)，非參數(shù)不代表沒(méi)參數(shù)。

機(jī)器學(xué)習(xí)的核心在于算法上，這篇只是對(duì)機(jī)器學(xué)習(xí)的一個(gè)簡(jiǎn)單的入門(mén)，希望能對(duì)大家有所幫助。

機(jī)器學(xué)習(xí)資源，可關(guān)注我的公眾號(hào)，回復(fù)“機(jī)器學(xué)習(xí)”即可領(lǐng)取。

有周志華《機(jī)器學(xué)習(xí)》電子版。吳恩達(dá)、李宏毅視頻及筆記

樂(lè)于分享和輸出干貨的Java技術(shù)公眾號(hào)：Java3y。

文章的目錄導(dǎo)航：

https://github.com/ZhongFuCheng3y/3y