支付宝打赏 
微信打赏 
机器学习就是从数据中发现规律
机器学习，就是在已知数据集的基础上。
通过反复的计算，选择最贴切的函数（function）去描述数据集中自变量x, x, x, …, x和因变量y之间的关系。
如果机器通过所谓的训练（training）找到了一个函数。
- 对于已有的1000组钻石数据，它都能够根据钻石的各种特征，大致推断出其价格。
那么，再给另一批同类钻石的大小、重量、颜色、密度等数据，就很有希望用同样的函数（模型）推断出这另一批钻石的价格。
此时，已有的1000组有价格的钻石数据，就叫作训练数据集（training dataset）。
另一批钻石数据，就叫作测试数据集（test dataset）。
通过机器学习模型不仅可以推测孩子身高和钻石价格，还可以实现影片票房预测、人脸识别。
机器学习就是从数据中发现关系，归纳成函数，以实现从A到B的推断。
机器学习的另外一个特质是从错误中学习：
机器学习的训练、建模的过程和人类的这个试错式学习过程有些相似。
机器找到一个函数去拟合（fit）它要解决的问题。
如果错误比较严重，它就放弃，再找到一个函数。
如果错误还是比较严重，就再找，一直到找到相对最为合适的函数为止，此时犯错误的概率最小。
这个寻找的过程，绝大多数情况不是在人类的指导下进行的，而是机器通过机器学习算法自己摸索出来的。
机器学习的类别
最常⻅的分类为：
- 监督学习（supervised learning）、无监督学习（unsupervised learning）。
- 半监督学习（semi-supervised learning）。
监督学习的训练需要标签数据，而无监督学习不需要标签数据，半监督学习介于两者之间。
使用一部分有标签数据，如下图所示。
机器学习的重要分支—深度学习
层数较多、结构比较复杂的神经网络的机器学习技术叫作深度学习。
各种深度学习模型：
- 如卷积神经网络（Convolutional Neural Network, CNN）、循环神经网络（Recurrent Neural Network，RNN）。
在计算机视觉、自然语言处理（Natural Language Processing，NLP）、音频识别等应用中都得到了极好的效果。
深度学习的另一大好处是对数据特征的要求降低：
自动地实现非结构化数据的结构化，无须手工获取特征，减少特征工程（feature engineering）。
- 特征工程是指对数据特征的整理和优化工作，让它们更易于被机器所学习。
在深度学习出现之前，对图像、视频、音频等数据做特征工程是非常烦琐的任务。
机器学习新热点—强化学习
强化学习（reinforcement learning）研究的目标是智能体（agent）如何基于环境而做出行动反应，以取得最大化的累积奖励。
智能体通过所得到的奖励（或惩罚）、环境反馈回来的状态以及动作与环境互动。
机器学习的两大应用场景—回归与分类
回归问题通常用来预测一个值，其标签的值是连续的。
- 例如，预测房价、未来的天气等任何连续性的走势、数值。
比较常⻅的回归算法是线性回归（linear regression）算法以及深度学习中的神经网络等。
分类问题是将事物标记一个类别标签：
结果为离散值，也就是类别中的一个选项，例如，判断一幅图片上的动物是一只猫还是一只狗。
