机器学习从0到1

机器学习，即machine learning
感谢easyai的精彩讲解：
easyai网址

机器学习的概念

什么是机器学习：
Field of study that gives computers the ability to learn without being explicitly programmed.
机器学习研究和构建的是一种特殊算法（而非某一个特定的算法），能够让计算机自己在数据中学习从而进行预测。
机器学习不是某种算法，而是很多算法的统称
比如深度学习，还有决策树，聚类，贝叶斯等
深度学习的灵感来自于大脑结构和功能，即有许多的神经元互连，ANN（人工神经网络）是模拟大脑生物结构的算法。
机器学习，深度学习，人工智能三者之间的关系是：

机器学习的算法其实有很多

这些都是以后要学习的，那这么多的算法其实有共同的思路，下面来总结一下。
1.把现实生活中的问题抽象成数学模型，并且清楚模型中不同参数的作用
2.利用数学方法对这个数学模型进行求解，从而解决显示生活中的问题
3.评估这个数学模型，是否真正解决了现实生活中的问题，解决的如何？
无论什么算法，无论什么数据，基本思路都是这三步。
归纳一下就是三点：
1.建模
2.求解
3.评价
当然，从上面三点其实不难看出，第一点是最难的，如何把一个现实问题抽象成数学问题，因为不是所有的问题都可以转换成数学问题。

机器学习的原理

以监督学习为例，说明机器学习的实现原理
比如我们教小朋友识字，拿出三张卡片，小朋友看着，然后我们说一条横线的是一、两条横线的是二、三条横线的是三

不断地重复，小朋友的大脑也在不停地学习，当重复次数足够多时，他就学会了三个汉字一、二、三。

那我们的机器学习过程和上述类似，不过机器把这个过程进行划分了：
一个是训练集，一个是特征，一个是建模，以及最后的模型。
上面提到的认字的卡片在机器学习中叫——训练集
上面提到的“一条横线，两条横线”这种区分不同汉字的属性叫——特征
小朋友不断学习的过程叫——建模
学会了识字后总结出来的规律叫——模型
总结：通过训练集，不断识别特征，不断建模，最后形成有效的模型，这个过程就叫“机器学习”！

相信看到这里应该是都能理解的。

监督学习，非监督学习，强化学习

机器学习根据训练方法分成三类，依旧是上面提到的监督学习，非监督学习和强化学习

监督学习

指的是我们给算法一个数据集，并且给定正确答案，机器通过数据来学习正确答案的计算方法。
关键词就是数据集，正确答案，学习正确答案
比如认识动物：

我们有一堆的动物照片，我们使用监督学习的时候，我们需要给这些照片打上标签。然后就可以将打好标签的照片用来训练。
我们打的标签就是正确答案，机器可以通过学习，在新照片认出这些动物的类别。

非监督学习

非监督学习中，给定的数据集没有正确答案，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。
此时我的给的照片就是这样的，没有任何标签，但是我们希望机器能将这些照片分类。

通过学习，机器能将这些照片分为两类，但是和监督学习有着本质的差别，那就是机器并不知道那个是狗，那个是猫。

对于机器来说，只是单纯的把他们分成了两类

强化学习

强化学习接近生物学习的本质，有望获得更高的智能。他关注的是智能体如何在环境中采取一系列行为，从而获得最大的累计回报，通过强化学习，一个智能体应该知道在什么状态下应该采取什么行为。
比如说打游戏。

机器学习实操的7个步骤

所有的机器学习在实操中基本都有四步：
1.收集数据
2.数据准备
3.选择一个模型
4.训练
5.评估
6.参数调整
7.预测(开始使用)

现在举一个具体的任务来说明这些步骤

1.收集数据

收集很多的啤酒和红酒，通过光谱仪和测量酒精度的设备，形成一下的数据：

这一步非常重要。数据的数量和质量决定了预测模型的好坏

2.数据准备

我们收集到的数据还是会有很多的问题，需要进行数据清洗等工作。
把数据分成三个部分：训练集（60%）、验证集（20%）、测试集（20%）

以上组成了一个数据集。

3.选择一个模型

研究人员和数据科学家门创造了许多模型，有些非常适合图像数据，有些适合序列（图像or音乐），有些用于数字数据，有些用于基于文本的数据。

4.训练

训练并不是重点，数据的数量和质量、模型的选择比训练本身重要的多。

5.评估

一旦训练完成，就需要评估模型是否可用，这就是验证集和测试集的作用。评估的主要指标有准确率、召回率、F值
这个过程可以让我们看到模型如何对尚未看到的数是如何做预测的。这意味这代表模型在现实世界中的表现。

6.参数调整

完成评估后，可以用过调整参数来进一步改进训练。

7.预测

上面的所有过程都是为了这一步服务的，也是机器学习的价值。你只要告诉他酒的颜色和酒精度，他就会告诉你这是啤酒还是红酒了。

这是几种经典的机器学习算法。