機器學習，瞭解一下？
1. 為什麼要學？
老師上課時候就說過：傳統演算法解決確定性問題，而機器學習解決非確定性問題。
好吧，確實激起了我的興趣，所以系統學習一下吧。
文章圖片來源於 GitHub，網速不佳的朋友請點我看原文。
順便軟廣一下個人技術小站：godbmw.com。歡迎常來♪(^∇^*)
2. 機器學習演算法
機器學習演算法和普通演算法還是有很大區別的。它不要求百分之百準確，並且對數學要求較高。
我認為重點有幾下 4 點：
- 理解演算法原理
- 應用實際場景
- 進行對比試驗
- 不同演算法對比
- 同一演算法不同引數對比
難點有幾下幾點：
- 如何評價演算法好壞
- 解決擬合和過擬合
- 如何正確調參
- 如何驗證演算法正確性
3. 可以解決什麼問題？
有些演算法既可以處理分類、也可以處理迴歸任務，而在一些情況下，迴歸任務可以簡化為分類任務，以方便問題解決。
3.1 分類任務
常見的有分類任務有 2 分類和多分類任務，並且兩者之間可以轉化。
比如 AlphaGo 下圍棋，可以理解成一個多分類任務：因為是在選擇棋盤上的落子點。除此之外，推箱子游戲：可能有 2-4 個方向提供選擇，也可以理解成分類任務。
3.2 多標籤分類
而在 ML 前沿領域，實現了多標籤分類：不再單純的是一個分類，而是擁有多個標籤。
例如下面這張含有多個標籤的圖片，多標籤會讓機器對它的定位更準確：
3.3 迴歸任務
機器獲得結果是一個連續的數字的值，而不是一個類別。連續的值可以劃分為無限多個小的點（可以理解成無限多個類別），又怎麼能處理成類別呢。
4. 演算法分類
4.1 監督學習
交給演算法的訓練資料已經被打了“標籤”，或者已經給出了分類。訓練後的演算法可以給新的資料打標籤或者分類。
因此，監督學習的訓練資料需要大量的人力來進行標記。
當然，在一些領域已經積累了一些被標記的資料資訊，例如大型部落格平臺，對每篇部落格都有分類和標籤。這種時候，監督學習的人力成本基本就是 0 了。
4.2 非監督學習
給機器的訓練資料沒有任何“標籤”，或者分類。訓練後的演算法仍然可以給新的資料打標籤或者分類。
經常聽到的演算法，就有聚類分析，比如每個使用者都被電商平臺劃分到某一使用者群體。
另一個非常重要的用途，是對資料進行降維處理：
- 特徵提取：提取重要的特徵，去除不重要的特徵。防止噪聲影響特徵提取。
- 特徵壓縮：在保證資料資訊不被過多損害的情況下，將高維向量壓縮成低維向量，例如 PCA 演算法。在保證穩定性的情況下，提高處理速度。
另一個非常重要的用途：異常檢測。如下圖所示。以方便演算法發現一般性特徵和規律。
4.3 半監督學習
一部分資料有“標籤”或分類，另一部分並沒有。
此時，一般通過無監督學習手段對資料進行處理，之後使用監督學習做模型的訓練和預測。
4.4 增強學習
根據周圍環境，採取行動，再根據行動結果，改善學習行動方式。
如下圖所示，agent 使我們的演算法，當他執行後，會根據環境反饋來執行獎賞或者懲罰，再改進行為模式。迴圈往復。
而 AlphaGo、自動駕駛等前言機器人，都使用了增強學習。
5. 更多演算法分類
5.1 批量學習和線上學習
批量學習是指：演算法一旦根據資料訓練出模型後，不會接受新的資料來優化模型。線上學習是指：演算法執行的過程中，也會把吸收新資料進行模型訓練。
優缺點顯而易見，前者更省心，但是無法適應資料快速變化的場景；後者可以及時針對不同的資料來優化模型，但是容易受到新資料中垃圾資料影響。
5.2 非引數學習和引數學習
引數學習是給出資料模型，剩下的工作就是利用演算法找出最合適引數。比如假定資料點符合y = ax + b的模型，剩下工作就是用最小二乘法之類的演算法找到(a,b)的最優解。
非引數學習相反，不對模型進行過多假設，不將問題理解成學習一些引數。