在一頭扎進機器學習前應該知道的那些事兒

摘要： 本文簡單總結了機器學習的幾大任務及其對應的方法，方便初學者根據本身的任務選擇合適的方法。當掌握機器學習基本知識以及清楚本身所要處理的任務後，應用機器學習就不會那麼難了。

機器學習一直是一個火熱的研究領域，深度學習方法的提出又爲這個領域添了一把火，使得不少人對該領域感興趣並想投身於該領域的研究之中。那麼，對於想從事機器學習領域的人來講，有哪些是應該首先了解的內容呢？本文將簡單的介紹下機器學習的基本相關知識。
機器學習是指使計算機系統使用統計技術學習數據的過程，而不須要具體的編程程序。該方法是一個主動學習的算法，使得它可以從數據中學習並進行預測。機器學習與計算統計、數學優化以及數據學習密切相關，一般被用來進行預測、分析等任務。機器學習通常用於處理兩類任務：

• 有監督學習：輸入給計算機的示例帶有標籤（指望輸出），基於標籤調整創建的模型，以學習輸入到輸出的映射規則。
• 無監督學習：輸入給計算機的示例沒有標籤，創建的模型必須經過自身學習產生輸出。無監督學習涉及到從數據中發現隱藏的模式，包含特徵學習。

機器學習這個術語對於大多非該領域的人來講聽起來很高級，但其實否則。只要你清楚機器學習的基本概念以及相關方法後，機器學習其實很簡單，即根據相關任務，選擇合適的機器學習方法，讓機器學習並處理特徵以完成相應的任務。所以，在學習和應用機器學習以前，咱們首先應該明確本身的任務是什麼，以及適合使用哪一種機器學習方法來完成。
若是咱們想了解算法背後的基本理論以及其工做原理，那麼精通機率與統計、線性代數和微積分對咱們而言顯得相當重要。此外，瞭解諸如Python等編程語言將使你可以容易得實現相關算法，理論基礎與編程能力兩者在手，機器學習我有。此外，理解相關的數學知識和應用也是頗有必要的，不管是經過線下自學或者是網絡在線培訓等學習方法，都必須實踐，實踐能夠增長本身對基本知識的理解，同時也能鍛鍊其編程能力。
在學習機器學習以前，掌握如下知識是頗有必要的：

• 線性代數
• 微積分
• 機率論
• 程序設計
• 最優化理論

下面是一些最多見的機器學習任務以及相關方法，對其理解後方便在後續工程中應用。

迴歸

迴歸主要涉及連續變量或數值變量的估計，好比估計房價、股票價格、產品價格等使用迴歸估計。即根據相關的數據創建迴歸曲線，對新的數據進行預測估計。如下機器學習方法用於解決迴歸問題：

• 核迴歸（Kernel regression）
• 支持向量迴歸（Support vector regression）
• 高斯過程迴歸（Gaussian process regression）
• 線性迴歸（Linear regression）
• LASSO迴歸（Least absolute shrinkage and selection operator）
• 迴歸樹（Regression tree）

分類

分類與離散變量或數據類別的預測有關。好比區分垃圾郵件、病人患有哪一種疾病、交易是否屬於欺詐行爲等任務，都是使用分類方法處理的。如下方法能夠用於解決分類問題：

• 核判別分析（Kernel discriminant analysis）
• 人工神經網絡（Artificial neural networks）
• K鄰近算法（K-nearests neighbors）
• Boosted trees
• 隨機森林（Random forests）
• 邏輯迴歸（Logistic regression）
• 支持向量機（Support vector machine）
• 深度學習（Deep learning）
• 樸素貝葉斯（Naive Bayes）
• 決策樹（Decision trees）

聚類

聚類通常應用於數據天然分組。好比產品特徵識別、客戶細分等任務都是聚類的一些應用場景。如下機器學習方法用於聚類問題：

• 均值漂移（Mean-shift）
• K-均值（K-means）
• 主題模型（Topic models）
• 層次聚類（Hierarchical clustering）

多元查詢

多元查詢是用來尋找類似目標。下面的方法可用於解決與多元查詢有關的問題：

• 近鄰取樣（Nearest neighbors）
• 最遠鄰居（Farthest neighbors）
• 範圍搜索（Range search）

降維

降維是指下降多個隨機變量的維度，將其分爲特徵提取和特徵選擇。經常使用的降維方法以下：

• 流線學習方法/核主成分分析（Manifold learning/KPCA）
• 獨立份量分析（Independent component analysis）
• 主成分分析（Principal component analysis）
• 非負矩陣分解（Non-negative matrix factorization）
• 壓縮感知（Compressed sensing）
• 高斯圖模型（Gaussian graphical models）

做者信息

Anusha Manchala，專一於機器學習、數據分析本文由阿里云云棲社區組織翻譯。文章原標題《What You Must Know Before You Dive Into Machine Learning》，譯者：海棠，審校：Uncle_LLD。詳情請閱讀原文