姓名：余玥 ? ? ? 學號：16010188033

轉(zhuǎn)載自http://blog.jobbole.com/67616/，有刪節(jié)

【嵌牛導讀】：機器學習專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。

【嵌牛鼻子】：機器學習

【嵌牛提問】：什么是機器學習？有哪兩類機器學習算法？機器學習法力無邊嗎？如何深入學習機器學習？

【嵌牛正文】：

何為機器學習？

機器學習這個概念認為，對于待解問題，你無需編寫任何專門的程序代碼，泛型算法（generic algorithms）能夠在數(shù)據(jù)集上為你得出有趣的答案。對于泛型算法，不用編碼，而是將數(shù)據(jù)輸入，它將在數(shù)據(jù)之上建立起它自己的邏輯。

舉個例子，有一類算法稱為分類算法，它可以將數(shù)據(jù)劃分為不同的組別。一個用來識別手寫數(shù)字的分類算法，不用修改一行代碼，就可以用來將電子郵件分為垃圾郵件和普通郵件。算法沒變，但是輸入的訓練數(shù)據(jù)變了，因此它得出了不同的分類邏輯。

機器學習算法是個黑盒，可以重用來解決很多不同的分類問題。

“機器學習”是一個涵蓋性術語，覆蓋了大量類似的泛型算法。

兩類機器學習算法

你可以認為機器學習算法分為兩大類：監(jiān)督式學習（Supervised Learning）和非監(jiān)督式學習（Unsupervised Learning）。兩者區(qū)別很簡單，但卻非常重要。

監(jiān)督式學習

假設你是一名房產(chǎn)經(jīng)紀，生意越做越大，因此你雇了一批實習生來幫你。但是問題來了——你可以看一眼房子就知道它到底值多少錢，實習生沒有經(jīng)驗，不知道如何估價。

為了幫助你的實習生（也許是為了解放你自己去度個假），你決定寫個小軟件，可以根據(jù)房屋大小、地段以及類似房屋的成交價等因素來評估你所在地區(qū)房屋的價值。

你把3個月來城里每筆房屋交易都寫了下來，每一單你都記錄了一長串的細節(jié)——臥室數(shù)量、房屋大小、地段等等。但最重要的是，你寫下了最終的成交價：

這是我們的“訓練數(shù)據(jù)”。

我們要利用這些訓練數(shù)據(jù)來編寫一個程序來估算該地區(qū)其他房屋的價值：

這就稱為監(jiān)督式學習。你已經(jīng)知道每一棟房屋的售價，換句話說，你知道問題的答案，并可以反向找出解題的邏輯。

為了編寫軟件，你將包含每一套房產(chǎn)的訓練數(shù)據(jù)輸入你的機器學習算法。算法嘗試找出應該使用何種運算來得出價格數(shù)字。

這就像是算術練習題，算式中的運算符號都被擦去了：

天哪！一個陰險的學生將老師答案上的算術符號全擦去了。

看了這些題，你能明白這些測驗里面是什么樣的數(shù)學問題嗎？你知道，你應該對算式左邊的數(shù)字“做些什么”以得出算式右邊的答案。

在監(jiān)督式學習中，你是讓計算機為你算出數(shù)字間的關系。而一旦你知道了解決這類特定問題所需要的數(shù)學方法后，你就可以解答同類的其它問題了。

非監(jiān)督式學習

讓我們回到開頭那個房地產(chǎn)經(jīng)紀的例子。要是你不知道每棟房子的售價怎么辦？即使你所知道的只是房屋的大小、位置等信息，你也可以搞出很酷的花樣。這就是所謂的非監(jiān)督式學習。

即使你不是想去預測未知的數(shù)據(jù)（如價格），你也可以運用機器學習完成一些有意思的事。

這就有點像有人給你一張紙，上面列出了很多數(shù)字，然后對你說:“我不知道這些數(shù)字有什么意義，也許你能從中找出規(guī)律或是能將它們分類，或是其它什么-祝你好運！”

你該怎么處理這些數(shù)據(jù)呢？首先，你可以用個算法自動地從數(shù)據(jù)中劃分出不同的細分市場。也許你會發(fā)現(xiàn)大學附近的買房者喜歡戶型小但臥室多的房子，而郊區(qū)的買房者偏好三臥室的大戶型。這些信息可以直接幫助你的營銷。

你還可以作件很酷的事，自動找出房價的離群數(shù)據(jù)，即與其它數(shù)據(jù)迥異的值。這些鶴立雞群的房產(chǎn)也許是高樓大廈，而你可以將最優(yōu)秀的推銷員集中在這些地區(qū)，因為他們的傭金更高。

本文余下部分我們主要討論監(jiān)督式學習，但這并不是因為非監(jiān)督式學習用處不大或是索然無味。實際上，隨著算法改良，不用將數(shù)據(jù)和正確答案聯(lián)系在一起，因此非監(jiān)督式學習正變得越來越重要。

老學究請看:還有很多其它種類的機器學習算法。但初學時這樣理解不錯了。

太酷了，但是評估房價真能被看作“學習”嗎？

作為人類的一員，你的大腦可以應付絕大多數(shù)情況，并且沒有任何明確指令也能夠?qū)W習如何處理這些情況。如果你做房產(chǎn)經(jīng)紀時間很長，你對于房產(chǎn)的合適定價、它的最佳營銷方式以及哪些客戶會感興趣等等都會有一種本能般的“感覺”。強人工智能（Strong AI）研究的目標就是要能夠用計算機復制這種能力。

但是目前的機器學習算法還沒有那么好——它們只能專注于非常特定的、有限的問題。也許在這種情況下，“學習”更貼切的定義是“在少量范例數(shù)據(jù)的基礎上找出一個等式來解決特定的問題”。

不幸的是，“機器在少量范例數(shù)據(jù)的基礎上找出一個等式來解決特定的問題”這個名字太爛了。所以最后我們用“機器學習”取而代之。

當然，要是你是在50年之后來讀這篇文章，那時我們已經(jīng)得出了強人工智能算法，而本文看起來就像個老古董。未來的人類，你還是別讀了，叫你的機器仆人給你做份三明治吧。

讓我們寫代碼吧!

前面例子中評估房價的程序，你打算怎么寫呢？往下看之前，先思考一下吧。

如果你對機器學習一無所知，很有可能你會嘗試寫出一些基本規(guī)則來評估房價，如下：

假如你像這樣瞎忙幾個小時，也許會取得一點成效，但是你的程序永不會完美，而且當價格變化時很難維護。

如果能讓計算機找出實現(xiàn)上述函數(shù)功能的辦法，這樣豈不更好？只要返回的房價數(shù)字正確，誰會在乎函數(shù)具體干了些什么呢？

考慮這個問題的一種角度是將房價看做一碗美味的湯，而湯中成分就是臥室數(shù)、面積和地段。如果你能算出每種成分對最終的價格有多大影響，也許就能得到各種成分混合起來形成最終價格的具體比例。

這樣可以將你最初的程序（全是瘋狂的if else語句）簡化成類似如下的樣子：

e請注意那些用粗體標注的神奇數(shù)字——.841231951398213,1231.1231231,2.3242341421,和201.23432095。它們稱為權(quán)重。如果我們能找出對每棟房子都適用的完美權(quán)重，我們的函數(shù)就能預測所有的房價！

找出最佳權(quán)重的一種笨辦法如下所示：

步驟1：

首先，將每個權(quán)重都設為1.0：

步驟2：

將每棟房產(chǎn)帶入你的函數(shù)運算，檢驗估算值與正確價格的偏離程度：

運用你的程序預測房屋價格。

例如：上表中第一套房產(chǎn)實際成交價為25萬美元，你的函數(shù)估價為17.8萬，這一套房產(chǎn)你就差了7.2萬。

再將你的數(shù)據(jù)集中的每套房產(chǎn)估價偏離值平方后求和。假設數(shù)據(jù)集中有500套房產(chǎn)交易，估價偏離值平方求和總計為86,123,373美元。這就反映了你的函數(shù)現(xiàn)在的“正確”程度。

現(xiàn)在，將總計值除以500，得到每套房產(chǎn)的估價偏離平均值。將這個平均誤差值稱為你函數(shù)的代價。

如果你能調(diào)整權(quán)重使得這個代價變?yōu)?，你的函數(shù)就完美了。它意味著，根據(jù)輸入的數(shù)據(jù)，你的程序?qū)γ恳还P房產(chǎn)交易的估價都是分毫不差。而這就是我們的目標——嘗試不同的權(quán)重值以使代價盡可能的低。

步驟3：

不斷重復步驟2，嘗試所有可能的權(quán)重值組合。哪一個組合使得代價最接近于0，它就是你要使用的，你只要找到了這樣的組合，問題就得到了解決!

思想擾動時間

這太簡單了，對吧？想一想剛才你做了些什么。你取得了一些數(shù)據(jù)，將它們輸入至三個通用的簡單步驟中，最后你得到了一個可以對你所在區(qū)域的房屋進行估價的函數(shù)。房價網(wǎng)，要當心咯！

但是下面的事實可能會擾亂你的思想：

1.過去40年來，很多領域（如語言學/翻譯學）的研究表明，這種通用的“攪動數(shù)據(jù)湯”（我編造的詞）式的學習算法已經(jīng)勝過了需要利用真人明確規(guī)則的方法。機器學習的“笨”辦法最終打敗了人類專家。

2.你最后寫出的函數(shù)真是笨，它甚至不知道什么是“面積”和“臥室數(shù)”。它知道的只是攪動，改變數(shù)字來得到正確的答案。

3.很可能你都不知道為何一組特殊的權(quán)重值能起效。所以你只是寫出了一個你實際上并不理解卻能證明的函數(shù)。

4.試想一下，你的程序里沒有類似“面積”和“臥室數(shù)”這樣的參數(shù)，而是接受了一組數(shù)字。假設每個數(shù)字代表了你車頂安裝的攝像頭捕捉的畫面中的一個像素，再將預測的輸出不稱為“價格”而是叫做“方向盤轉(zhuǎn)動度數(shù)”，這樣你就得到了一個程序可以自動操縱你的汽車了！

太瘋狂了，對吧？

步驟3中的“嘗試每個數(shù)字”怎么回事？

好吧，當然你不可能嘗試所有可能的權(quán)重值來找到效果最好的組合。那可真要花很長時間，因為要嘗試的數(shù)字可能無窮無盡。

為避免這種情況，數(shù)學家們找到了很多聰明的辦法來快速找到優(yōu)秀的權(quán)重值，而不需要嘗試過多。下面是其中一種：

首先，寫出一個簡單的等式表示前述步驟2：

這是你的代價函數(shù)。

接著，讓我們將這同一個等式用機器學習的數(shù)學術語（現(xiàn)在你可以忽略它們）進行重寫：

θ表示當前的權(quán)重值。?J(θ) 意為“當前權(quán)重值對應的代價”。

這個等式表示我們的估價程序在當前權(quán)重值下偏離程度的大小。

如果將所有賦給臥室數(shù)和面積的可能權(quán)重值以圖形形式顯示，我們會得到類似下圖的圖表：

代價函數(shù)的圖形像一支碗。縱軸表示代價。

圖中藍色的最低點就是代價最低的地方——即我們的程序偏離最小。最高點意味著偏離最大。所以，如果我們能找到一組權(quán)重值帶領我們到達圖中的最低點，我們就找到了答案！

因此，我們只需要調(diào)整權(quán)重值使我們在圖上能向著最低點“走下坡路”。如果對于權(quán)重的細小調(diào)節(jié)能一直使我們保持向最低點移動，那么最終我們不用嘗試太多權(quán)重值就能到達那里。

如果你還記得一點微積分的話，你也許記得如果你對一個函數(shù)求導，結(jié)果會告訴你函數(shù)在任一點的斜率。換句話說，對于圖上給定一點，它告訴我們那條路是下坡路。我們可以利用這一點朝底部進發(fā)。

所以，如果我們對代價函數(shù)關于每一個權(quán)重求偏導，那么我們就可以從每一個權(quán)重中減去該值。這樣可以讓我們更加接近山底。一直這樣做，最終我們將到達底部，得到權(quán)重的最優(yōu)值。（讀不懂？不用擔心，接著往下讀）。

這種找出最佳權(quán)重的辦法被稱為批量梯度下降，上面是對它的高度概括。如果想搞懂細節(jié)，不要害怕，繼續(xù)深入下去吧。

當你使用機器學習算法庫來解決實際問題，所有這些都已經(jīng)為你準備好了。但明白一些具體細節(jié)總是有用的。

還有什么你隨便就略過了？

上面我描述的三步算法被稱為多元線性回歸。你估算等式是在求一條能夠擬合所有房價數(shù)據(jù)點的直線。然后，你再根據(jù)房價在你的直線上可能出現(xiàn)的位置用這個等式來估算從未見過的房屋的價格。這個想法威力強大，可以用它來解決“實際”問題。

但是，我為你展示的這種方法可能在簡單的情況下有效，它不會在所有情況下都有用。原因之一是因為房價不會一直那么簡單地跟隨一條連續(xù)直線。

但是，幸運的是，有很多辦法來處理這種情況。對于非線性數(shù)據(jù)，很多其他類型的機器學習算法可以處理（如神經(jīng)網(wǎng)絡或有核向量機）。還有很多方法運用線性回歸更靈活，想到了用更復雜的線條來擬合。在所有的情況中，尋找最優(yōu)權(quán)重值這一基本思路依然適用。

還有，我忽略了過擬合的概念。很容易碰上這樣一組權(quán)重值，它們對于你原始數(shù)據(jù)集中的房價都能完美預測，但對于原始數(shù)據(jù)集之外的任何新房屋都預測不準。這種情況的解決之道也有不少（如正則化以及使用交叉驗證數(shù)據(jù)集）。學會如何處理這一問題對于順利應用機器學習至關重要。

換言之，基本概念非常簡單，要想運用機器學習得到有用的結(jié)果還需要一些技巧和經(jīng)驗。但是，這是每個開發(fā)者都能學會的技巧。

機器學習法力無邊嗎？

一旦你開始明白機器學習技術很容易應用于解決貌似很困難的問題（如手寫識別），你心中會有一種感覺，只要有足夠的數(shù)據(jù)，你就能夠用機器學習解決任何問題。只需要將數(shù)據(jù)輸入進去，就能看到計算機變戲法一樣找出擬合數(shù)據(jù)的等式。

但是很重要的一點你要記住，機器學習只能對用你占有的數(shù)據(jù)實際可解的問題才適用。

例如，如果你建立了一個模型來根據(jù)每套房屋內(nèi)盆栽數(shù)量來預測房價，它就永遠不會成功。房屋內(nèi)盆栽數(shù)量和房價之間沒有任何的關系。所以，無論它怎么去嘗試，計算機也推導不出兩者之間的關系。

你只能對實際存在的關系建模。

怎樣深入學習機器學習

我認為，當前機器學習的最大問題是它主要活躍于學術界和商業(yè)研究組織中。對于圈外想要有個大體了解而不是想成為專家的人們，簡單易懂的學習資料不多。但是這一情況每一天都在改善。

吳恩達教授（Andrew Ng）在Coursera上的機器學習免費課程非常不錯。我強烈建議由此入門。任何擁有計算機科學學位、還能記住一點點數(shù)學的人應該都能理解。

另外，你還可以下載安裝SciKit-Learn，用它來試驗成千上萬的機器學習算法。它是一個python框架，對于所有的標準算法都有“黑盒”版本。