轉自：　http://tech.sina.com.cn/it/2016-12-24/doc-ifxyxury8364458.shtml

雷鋒網按：機器學習與人工智慧變得越來越熱。大資料原本在工業界中就已經炙手可熱，而基於大資料的機器學習則更加流行，因為其通過對資料的計算，可以實現資料預測、為公司提供決策依據。跟我們生活息息相關的最常見機器學習演算法包括電影推薦演算法、圖書推薦演算法。這些演算法都是基於你的電影觀看記錄或圖書購買記錄來給你做推薦的。

　　James Le在KDnuggets上釋出了一篇文章，介紹了他是如何入門機器學習的。此外，他在其中摸索出十大常用的機器學習演算法，並逐一進行介紹。

　　如果你想學機器學習，那怎麼入門呢？對於我來說，我是這樣開始我的機器學習的，首先，我選修了一門人工智慧課程。教我課程的老師是Technical University of Denmark的大學教授，他的研究方向就是邏輯與人工智慧。我們用的教材是人工智慧的經典教材：Peter Norvig's Artificial Intelligence?—?A Modern Approach。這本書主要講了智慧主體、對抗搜尋、概率論、多智慧系統、AI哲學等等。這門課程我上了三個學期，最後我做了一個簡單的基於搜尋的智慧系統，這個系統可以完成虛擬環境下的傳輸任務。

　　通過這門課程我學到了很多知識，在將來我還要繼續學習。最近幾周，我有幸在舊金山的舉辦的機器學習大會上與眾多機器學習大牛交談，我和他們聊了很多關於深度學習、神經網路、資料結構的內容。此外，我還在網上選修了一門機器學習入門課程，正巧剛剛修完。在接下來內容中，我將和大家分享我在這門課程中所學到的機器學習常用演算法。

　　機器學習演算法分為三類：有監督學習、無監督學習、增強學習。有監督學習需要標識資料（用於訓練，即有正例又有負例），無監督學習不需要標識資料，增強學習介於兩者之間（有部分標識資料）。下面我將向大傢俱體介紹機器學習中10大演算法（只介紹有監督、無監督兩類，暫不介紹增強學習）。

　　一、有監督學習

　　演算法一：決策樹

　　決策樹是一種樹形結構，為人們提供決策依據，決策樹可以用來回答yes和no問題，它通過樹形結構將各種情況組合都表示出來，每個分支表示一次選擇（選擇yes還是no），直到所有選擇都進行完畢，最終給出正確答案。

　　演算法二：樸素貝葉斯分類器

　　樸素貝葉斯分類器基於貝葉斯理論及其假設（即特徵之間是獨立的，是不相互影響的）

　　P(A|B) 是後驗概率， P(B|A) 是似然，P(A)為先驗概率，P(B) 為我們要預測的值。

　　具體應用有：垃圾郵件檢測、文章分類、情感分類、人臉識別等。

　　演算法三：最小二乘法

　　如果你對統計學有所瞭解，那麼你必定聽說過線性迴歸。最小均方就是用來求線性迴歸的。如下圖所示，平面內會有一系列點，然後我們求取一條線，使得這條線儘可能擬合這些點分佈，這就是線性迴歸。這條線有多種找法，最小二乘法就是其中一種。最小二乘法其原理如下，找到一條線使得平面內的所有點到這條線的歐式距離和最小。這條線就是我們要求取得線。

　　線性指的是用一條線對資料進行擬合，距離代表的是資料誤差，最小二乘法可以看做是誤差最小化。

　　演算法四：邏輯迴歸

　　邏輯迴歸模型是一個二分類模型，它選取不同的特徵與權重來對樣本進行概率分類，用一各log函式計算樣本屬於某一類的概率。即一個樣本會有一定的概率屬於一個類，會有一定的概率屬於另一類，概率大的類即為樣本所屬類。

　　具體應用有：信用評級、營銷活動成功概率、產品銷售預測、某天是否將會地震發生。

　　演算法五：支援向量機（SVM）

　　支援向量機是一個二分類演算法，它可以在N維空間找到一個(N-1)維的超平面，這個超平面可以將這些點分為兩類。也就是說，平面內如果存線上性可分的兩類點，SVM可以找到一條最優的直線將這些點分開。SVM應用範圍很廣。

　　具體應用有：廣告展示、性別檢測、大規模影象識別等。

　　演算法六：整合學習

　　整合學習就是將很多分類器整合在一起，每個分類器有不同的權重，將這些分類器的分類結果合併在一起，作為最終的分類結果。最初整合方法為貝葉斯決策，現在多采用error-correcting output coding, bagging, and boosting等方法進行整合。

　　那麼為什整合分類器要比單個分類器效果好呢？

　　1.偏差均勻化：如果你將民主黨與共和黨的投票數算一下均值，可定會得到你原先沒有發現的結果，整合學習與這個也類似，它可以學到其它任何一種方式都學不到的東西。

　　2.減少方差：總體的結果要比單一模型的結果好，因為其從多個角度考慮問題。類似於股票市場，綜合考慮多隻股票可以要比只考慮一隻股票好，這就是為什麼多資料比少資料效果好原因，因為其考慮的因素更多。

　　3.不容易過擬合。如果的一個模型不過擬合，那麼綜合考慮多種因素的多模型就更不容易過擬合了。

　　二、無監督學習

　　演算法七：聚類演算法

　　聚類演算法就是將一堆資料進行處理，根據它們的相似性對資料進行聚類。

　　聚類演算法有很多種，具體如下：中心聚類、關聯聚類、密度聚類、概率聚類、降維、神經網路/深度學習。

　　演算法八：主成分分析（PCA）

　　主成分分析是利用正交變換將一些列可能相關資料轉換為線性無關資料，從而找到主成分。

　　PCA主要用於簡單學習與視覺化中資料壓縮、簡化。但是PCA有一定的侷限性，它需要你擁有特定領域的相關知識。對噪音比較多的資料並不適用。

　　演算法九：SVD矩陣分解

　　SVD矩陣是一個複雜的實復負數矩陣，給定一個m 行、n列的矩陣M,那麼M矩陣可以分解為M = UΣV。U和V是酉矩陣，Σ為對角陣。

　　PCA實際上就是一個簡化版本的SVD分解。在計算機視覺領域，第一個臉部識別演算法就是基於PCA與SVD的，用特徵對臉部進行特徵表示，然後降維、最後進行面部匹配。儘管現在面部識別方法複雜，但是基本原理還是類似的。

　　演算法十：獨立成分分析(ICA)

　　ICA是一門統計技術，用於發現存在於隨機變數下的隱性因素。ICA為給觀測資料定義了一個生成模型。在這個模型中，其認為資料變數是由隱性變數，經一個混合系統線性混合而成，這個混合系統未知。並且假設潛在因素屬於非高斯分佈、並且相互獨立，稱之為可觀測資料的獨立成分。

　　ICA與PCA相關，但它在發現潛在因素方面效果良好。它可以應用在數字影象、檔文資料庫、經濟指標、心裡測量等。

　　以上就是我對機器學習演算法的一些簡單介紹，現在你可以通過我的介紹與你自己的理解，好好思考機器學還可以在我們的日常生活中有哪些應用。

　　雷鋒網總結：實際上這些機器學習演算法並不是全都像想象中一樣複雜，有些還和高中數學緊密相關。不過如何學以致用舉一反三，不僅是機器學習的核心，也同樣是每個人學習的核心要義。