[ML]機器學習分類科普

學習的兩個分支：基於符號主義的專家系統（使用規則），基於鏈接主義的機率統計的系統（如機器學習，深度學習）

使用哪一種系統主要看數據量，沒有數據或者數據量不多的時候使用專家系統，有大量數據的時候使用機器學習或者深度學習

專家系統=推理引擎+知識

專家系統的流程：

任務：搭建金融知識圖譜

一、金融領域或者風控領域的專家，輸出經驗

二、知識圖譜工程師結合專家的經驗構建知識圖譜，並將知識導入到知識庫中

三、AI/算法工程師構建推理引擎（基於知識庫），生成API

四、業務系統使用API，便可使用金融知識圖譜

專家系統的特色：

• 處理不肯定性

• 知識的表示，如知識圖譜，將非結構的知識表示成結構化的知識圖譜

• 可解釋性，由於它是基於規則來作的，規則是很好解釋的，因此專家系統具備很是好的可解釋性

• 能夠作知識推理，由於它的可解釋性較強，所以能夠作推理

專家系統的缺點：

• 涉及大量的規則

• 須要領域專家來主導

• 可移植性差

• 學習能力差

• 人能考慮的範圍是有限的

搭建專家系統時可能會遇到的問題：

• 邏輯推理

• 解決規則衝突，引用邏輯推理的方法：有n條已知的規則，有1條規則是須要證實的，若是能證實出來，說明規則沒有衝突，不然，規則是衝突的，咱們須要刪除衝突的規則

• 選擇最小規則的子集，有不少的方法，如貪心方法等

解決一個難題的思路：

• 找出一個相似的「經典的」問題，如選擇最小規則的子集方法，對應的經典問題能夠是「set cover problem」

• 閱讀相關文獻

 

機器學習

一、定義：自動從已有的數據裏找出一些規律，而後把學到的這些規律應用到對將來數據的預測中，或者在不肯定環境下自動的作一些決策。

二、分類：

	監督學習	無監督學習
生成模型	樸素貝葉斯方法	HMM，LDA，GMM（高斯混合模型）
判別模型	邏輯迴歸方法，CRF模型	無

監督學習：線性迴歸，邏輯迴歸，樸素貝葉斯，神經網絡，SVM，隨機森林，Adaboost，CNN等

無監督學習：K-means(聚類),PCA,ICA,MF(矩陣分解),LSA,LDA

生成模型：經過已訓練好的模型，生成數據

判別模型：計算數據之間的區別

搭建一個模型的工做流程：

一、經典流程：數據——>數據清洗——>特徵工程——>建模——>預測

二、端到端流程：去掉特徵工程

——來源於貪心科技NLP班的筆記