机器学习应用在日常生活的方方面面：比如使用自然语言处理和机器学习来预约、查看日历和播放音乐的语音助手，到编程广告等等.机器学习的应用可以在我们想到之前预测我们需要什么。

机器学习科学领域的知识比较复杂，会导致大家在学习的时候感觉到难以顺利的掌握。今天这篇文章就是机器学习的学习路径，将从什么是机器学习讲到算法及其应用的具体例子。

part1/  什么是机器学习？

一个计算机程序被称为从经验E中学习关于某类任务T和性能度量P的知识，如果它在T任务中的性能，如P所度量的，随着经验E的提高而提高。

——Tom M. Mitchell

机器学习的行为类似于孩子的成长，随着孩子的成长，她在执行任务T中的经验E会增加，从而导致更高的绩效指标 (P)。

例如，给一个孩子一个“形状排序块”玩具。（现在我们都知道，在这个玩具中，有不同的形状和形状孔）。在这种情况下，我们的任务T是为一个形状找到一个合适的形状孔。之后，孩子观察形状并尝试将其放入一个形状的孔中。

假设这个玩具有三种形状：圆形、三角形和方形。在她第一次尝试寻找形状孔时，她的表现测量(P)是1/3，这意味着孩子在3个正确的异形孔中找到了1个。

其次，孩子再试一次，这次她已经在这个任务中有了经验。考虑到获得的经验（E），孩子再次尝试这项任务，在衡量表现（P）时，结果是 2/3。重复这个任务 (T) 100 次后，宝宝就弄清楚哪个形状进入哪个形状孔了。

所以她的经验（E）增加了，她的表现（P）也增加了，然后我们注意到随着这个玩具尝试次数的增加，性能也会提高，从而提高准确性。

这种执行类似于机器学习：

一台机器所做的是，接受一个任务（T）执行，并测量性能（P）。现在一台机器拥有大量数据，当处理这些数据时，它的经验 (E) 会随着时间的推移而增加，从而导致更高的性能指标 (P)。

所以在处理完所有数据之后，机器学习模型的准确度增加了，这意味着模型做出的预测将非常准确。

Arthur Samuel对机器学习的另一个定义——机器学习是计算机科学的一个子领域，它赋予“计算机无需明确编程即可学习的能力”。

通俗的来解释下这个定义

它指出“无需明确编程即可学习”——就是说不会用一组特定的规则来教计算机，而是为计算机提供足够的数据，并给它时间从中学习，通过犯错并改进这些错误。

例如，我们没有教孩子如何适应形状，但是通过多次执行相同的任务，孩子学会了自己在玩具中适应形状。

part2 /  为什么我们需要机器学习？

例如，有一组猫和狗的图像。我们现在想把他们分为猫组和狗组。

为此，我们需要找出不同的动物特征，例如：

• 每只动物有几只眼睛？

• 每只动物的眼睛是什么颜色？

• 每只动物的身高是多少？

• 每只动物的重量是多少？

• 每只动物一般吃什么？

在以上每个问题的答案上形成一个向量，然后我们应用一组规则，例如：

如果身高>1英尺，体重>15磅，那么它可能是一只猫。

现在，为每个数据点制定这样一套规则。然后，放置if，elseif，else语句的决策树，检查它是否属于其中一个类别。

假设这个实验的结果没有成果，对许多动物进行了错误分类，这就给了使用机器学习的绝佳机会。因为，机器学习所做的是用不同类型的算法处理数据，并告诉我们哪个特征对确定它是猫还是狗更重要。

因此，我们可以基于两三个特征对其进行简化，而不是应用许多规则集，因此它为我们提供了更高的准确性。以前的方法不够通用，无法进行预测。

机器学习模型可以帮助我们完成许多任务：

例如：

• 物体识别

• 总结

• 预言

• 分类

• 聚类

• 推荐系统

• 和别的

part3/  什么是机器学习模型？

可以这么理解——机器学习模型是一个问答系统，负责处理与机器学习相关的任务，将其视为解决问题时表示数据的算法系统。

主要机器学习算法

01 回归（预测）

可使用回归算法来预测连续值，回归算法：

• 线性回归

• 多项式回归

• 指数回归

• 逻辑回归

• 对数回归

02 分类

使用分类算法来预测一组项目的类别。分类算法：

• K-最近邻

• 决策树

• 随机森林

• 支持向量机

• 朴素贝叶斯

03 聚类

使用聚类算法来总结或构建数据，聚类算法：

• K均值

• DBSCAN

• 均值漂移

• 分层的

04 关联

使用关联算法来关联共同发生的项目或事件，关联算法：

• 先验

05 异常检测

使用异常检测来发现异常活动和异常案例，如欺诈检测。

06 序列模式挖掘

使用序列模式挖掘来预测序列中数据示例之间的下一个数据事件。

07 降维

使用降维来减少数据的大小，以便仅从数据集中提取有用的特征。

08 推荐系统

使用推荐算法来构建推荐引擎。

例子：

• Netflix 推荐系统。

• 图书推荐系统。

• 亚马逊上的产品推荐系统。

• 短视频平台的推荐系统。

part4  人工智能、机器学习和深度学习

看到这里可能你会问了，人工智能、机器学习和深度学习之间的根本区别是什么？大家说起机器学习的时候总是会同时说起人工智能和深度学习。

人工智能（AI）：

人工智能（AI）是由安德鲁·摩尔教授定义的一门科学和工程，它用计算机的行为方式来模拟人类智能。主要包括：

• 计算机视觉

• 语言处理

• 创造力

• 总结

机器学习（ML）：

正如Tom Mitchell教授所定义的，机器学习是指人工智能的一个科学分支，它侧重于计算机算法的研究，使计算机程序能够通过经验自动改进。主要包括：

• 分类

• 神经网络

• 聚类

深度学习：

深度学习是机器学习的一个子集，其中分层神经网络结合高计算能力和大数据集，可以创建强大的机器学习模型。

大家更喜欢Python来实现机器学习算法？

Python 是一种流行的通用编程语言。使用Python编写机器学习算法，效果很好。Python在数据科学家中如此受欢迎的原因是Python已经实现了各种各样的模块和库，让编程更顺畅。

简单介绍几个Python库：

Numpy

一个数学库，用于在Python中处理n维数组，能够高效地进行计算。

Scipy

数值算法和特定领域工具箱的集合，包括信号处理、优化、统计等等。Scipy是一个用于科学和高性能计算的函数库。

Matplotlib

流行的绘图包，提供2D绘图和3D绘图。

Scikit-learn

免费的Python编程语言机器学习库。有大部分分类、回归和聚类算法，并与 Numpy、Scipy等Python数值库配合使用。

part5  机器学习算法分为两类

• 监督学习算法

• 无监督学习算法

01 监督学习算法

目标：预测类别或值标签。

监督学习是机器学习的一个分支（目前是机器/深度学习的主流），从标记的训练数据中推断函数。训练数据由一组 *(input, target)* 对组成，其中输入可以是特征向量，目标指示我们希望函数输出的内容。

根据*目标*的类型，我们可以粗略地将监督学习分为两类：分类和回归。

分类涉及分类目标，示例范围从一些简单的案例（例如图像分类）到一些高级主题（例如机器翻译和图像标题）。

回归涉及连续的目标，它的应用包括股票预测、图像屏蔽等——都属于这一类。

举例说明监督学习

例如，我们给一个孩子100个毛绒动物，其中每种有10个动物，如10只狮子、10只猴子、10只大象等。接下来，我们教孩子根据动物的不同特征（特征）识别不同类型的动物。

如果它的颜色是橙色，那么它可能是一只狮子。如果它是一个有鼻子的大动物，那么它可能是一头大象。我们教孩子如何区分动物，这可以作为监督学习的一个例子。现在，当我们给孩子不同的动物时，他应该能够将它们归入适当的动物组。

通过这个例子发现孩子的分类中有 8/10 是正确的，这就证明孩子做得很好。

同样适用于计算机，当给计算机提供数千个数据点及其实际标记值（标记数据是将数据与其特征值一起分为不同的组），然后让计算机在训练期间从其不同的特征中学习。

训练期结束后，我们可以使用我们训练好的模型进行预测，可以说这个例子的预测是基于标记数据的。

监督学习算法示例

• 线性回归

• 逻辑回归

• K-最近邻

• 决策树

• 随机森林

• 支持向量机

02 无监督学习

目标：确定数据模式/分组。

与监督学习相反，无监督学习从未标记的数据中推断，是一个描述数据中隐藏结构的函数。

无监督学习最基本的类型可能是降维方法，如PCA、t-SNE；PCA用于数据预处理；t-SNE通常用于数据可视化。

一个更高级的分支是聚类，用来探索数据中的隐藏模式，然后进行预测。包括K均值聚类、高斯混合模型、隐马尔可夫模型等。

随着深度学习的火热，无监督学习越来越受到关注，因为它可以摆脱手动标记数据的麻烦。

基于深度学习，来两种无监督学习：表征学习和生成模型。

表征学习旨在提炼出对某些下游任务有用的高级表征特征，而生成模型旨在从一些隐藏参数中再现输入数据。

举例说明无监督学习

无监督学习听起来很有效，在这种类型的算法中，我们没有标记数据，因此机器必须处理输入数据并尝试对输出做出结论。

还记得我们给了形状玩具的那个孩子吗？在这种情况下，他会从自己的错误中吸取教训，为不同的形状找到完美的形状孔。

但问题是，我们不是通过教授适合形状的方法（用于机器学习目的，称为标记数据）来喂养孩子。然而，孩子会从玩具的不同特性中学习，并试图对它们做出结论。简而言之，预测是基于未标记的数据。

无监督学习算法示例

• 降维

• 密度估计

• 市场篮子分析

• 生成对抗网络 (GAN)

• 聚类

【对这几种类型的回归算法的python示例明天的文章会给大家详细讲解，关注学姐不要错过重要知识点哦！】

https://pub.towardsai.net/machine-learning-algorithms-for-beginners-with-python-code-examples-ml-19c6afd60daa

作者：Pratik Shukla、Roberto Iriondo、Sherwin Chen

求素质三连（转发，点赞，收藏），再不行就点个赞也好！