機器學習（01）——機器學習簡介

最近在研究機器學習，隨手將學習的過程記錄下來，方面本身的學習與回顧

1. 機器學習是什麼？

機器學習(Machine Learning，ML)是專門研究計算機怎樣模擬或實現人類的學習行爲，以獲取新的知識或技能，從新組織已有的知識結構使之不斷改善自身的性能的一門科學技術。

它使用計算機技術，應用微積分、機率論、統計學、信息論、逼近論、凸分析、算法等多種不一樣的理論與學科，針對分析目標創建有針對性的數據模型，經過對過往歷史數據的學習（分類、迴歸、聚類等），完成基本算法模型，並能經過後續持續的學習（數據輸入），在將雜亂的數據轉換（輸出）成有用信息的同時，還能不斷優化改造自身。

2. 機器學習能解決什麼問題？

對於學習，人的學習過程，是經過觀察（輸入），根據過往經驗對觀察到的內容進行思考（處理），最後得出結論（輸出）的過程。

而機器學習是計算機利用已有的數據（通常是海量數據），得出了某種模型（算法模型），並利用此模型預測將來的一種方法。

機器學習主要解決的問題能夠概括爲：優化，預測，相關性。能夠說，只要是涉及到優化，預測，個性化相關的問題，機器學習和深度學習均可以處理。

好比說，咱們去買百香果吃，咱們沒有買百香果的經驗，不知道那些是甜的那些是酸的，而後咱們買了一大堆回來，有大的、小的、輕的、重的、紅的、紫的、白的、黃的、果皮光滑的、幹皺的...而後每個都嘗一便，最後發現，百香果原來有兩大類，紫紅和黃白兩類，紫紅類的，果皮越深（越紫越黑）的越甜，黃白類的越黃越甜，跟大小無關，跟果皮的光滑度無關，而一樣大小，越重的果汁越多。黃白類的比紫紅類的果子甜度更高一些。那麼下次去買的時候，天然就懂得如何挑選了。

而機器學習跟買水果的過程相似，經過建模（對水果甜度的判斷）、設計策略（針對百香果不一樣的形狀特性）和算法（品嚐百香果，得出酸甜結論），而後輸入大量數據（一大堆不一樣種類與特徵的百香果）進行訓練，最後學會判斷的過程（知道什麼類型的百香果比較甜）。模型建好後，就能夠針對更多的數據進行測試並輸出結果（下次去買水果直接挑選學習後的水果類型，能夠直接根據特徵判斷酸甜度），而這些結果也將不斷的修正模型（買回來後繼續品嚐，觀察酸甜度，繼續總結經驗，調整判斷方法），提高模型的準確率，更好的幫咱們預測數據。

當前，機器學習普遍應用於搜索引擎、垃圾郵件處理、廣告推薦、數據挖掘、圖像識別、天然語言處理、生物特徵識別、醫學診斷、證券投資分析、DNA序列測序、語音和手寫識別、機器人運用等諸多領域，且應用的領域愈來愈普遍。

3. 學習機器學習，須要具有什麼能力？

入門學習機器學習，只須要掌握下面這些能力：

• 瞭解一些數學基礎常識
• 掌握一門編程語言（最好是python）

對於入門來講，不必定要具有了全部的數學理論基礎才能開始，不具有這些知識並不表明不能靈活操做各個機器學習庫，只是有些算法的理解會更困難。這些基礎理論在後續須要慢慢補上，它們關係到你在AI領域天花板的高度。而直接從實踐入手，會更容易理解算法，對後續算法的深刻學習也有很大的幫助。

而想進階成爲專家，除了須要增強數學基礎理論（高數、線性代數、統計學、機率論、信息論等數學基礎）的學習外，還須要學習大數據相關的知識與技能（如：Hadoop、HBase、Spark、kafka、Flume、Sqoop、Storm等）。而後根據發展方向，有針對性的學習NLP、神經網絡等內容，往更多更專業的領域深刻學習。

4. 怎麼學？

學習機器學習，須要分階段按部就班學習，儘可能不要一會兒就深刻算法的推導中（除非你的數學理論很是紮實），不要試圖掌握全部的相關數學知識再開始學習，不然很容易從入門到崩潰，從崩潰到放棄。

對於初學者，建議從這幾方面來學習：

1. 首先了解什麼是機器學習，以及機器學習的相關理論常識，對機器學習有個整體的瞭解與認識。
2. 知道有哪些學習資源，瞭解這些資源哪些適合初學者。
3. 大致瞭解機器學習的技術棧，瞭解涉及哪些知識體系，而後與本身的技術體系進行比較，瞭解學習方向，並作好長期學習的計劃與心態。
4. 而後花些時間，瞭解機器學習的經常使用專業術語，大概瞭解這些專業名詞的意思，方便後續學習時更容易理解學習內容（不須要所有了解，只須要大致知道是什麼就好了，在學習機器學習的過程當中會不斷的加深學習與理解）。
5. 接着直接進入學習，能夠學習《機器學習實戰》這本書，也能夠學習ApacheCN分享出來的文本或視頻教程，學習各類機器學習算法，先實踐再到理論。
6. 入門後再根據所要用到的基礎理論或機器學習相關算法和知識點，再針對性的學習，逐步提升。

 

參考資料：

http://www.javashuo.com/article/p-aslvicnf-ha.html

https://github.com/apachecn/AiLearning/blob/master/docs/ml/1.%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80.md