最近正尝试用机器学习的方法解决线性回归和趋势预测问题，这里将自己对机器学习的初步理解整理至此。
机器学习 (Machine Learning) 研究的主题是如何让计算机具备与人类同等的思考和分析能力。机器学习主要基于认知学、计算机科学，统计概率学以及信息决策学。典型的机器学习应用包括照片分类、垃圾邮件识别、自然语言处理等。最近很火热的围棋人工智能AlphaGo就是采用了深度神经网络对大量棋局进行学习，从而具备了顶尖围棋选手的水平。
机器学习的应用领域有：
- 经济学模型建立
- 图像处理和机器视觉
- 生物DNA解码
- 能源负载、使用、价格预测
- 汽车、航空和制造
- 自然语言处理
- ……
Machine Learning从其采用的学习方式来说有以下三大类：
- 监督学习 (Supervised Learning)：用于训练的数据包含已知结果（回归与分类问题）。
- 无监督学习 (Unsupervised Learning)：用于训练的数据不包含已知结果（聚类问题）。
- 强化学习 (Reinforcement Learning)：用于训练的数据不包含已知结果，但是可以用Award函数对其进行评价。
▲ 图. 机器学习的分类（图中没有强化学习，一般强化学习会被认为是semi-supervised）[1]
监督学习用于数据中已包含已知标签。言下之意就是用于训练的数据已经具备了对应的输出。比如有一份得癌症与否和肿瘤块大小的对应数据，对单一肿瘤块大小数据而言，其对应的是否患癌症是已知的；再比如需要训练一个神经网络，学习判断一个图片中的主体是猫还是狗。那么用于训练的图片集中，每一张图片都会有已知对应的’这张图片是猫’或’这张图片是狗’的标签。通过对已知数据的学习与理解，从而在新数据出现时具有一定的预测能力。
而非监督学习则是对样本并没有既成标签，而是要通过模式搜索的方式对相似的一些元素进行聚类。典型的聚类问题有：基因序列分析，市场调研，物体识别等。
现在常见的机器学习算法有：
▲ 图. 常见Machine Learning算法的思维导图，点击放大 (Picture from http://machinelearningmastery.com/)
除了主流的聚类，回归和贝叶斯之外，采用神经网络的Deep Learning深度学习是现在最热门的话题。机器学习的方法很多，在选择使用什么方法时，首先必须要确定自己所面对的是哪一种机器学习问题。在确定了分类后，可以根据下图选择具体方法：
▲ 图. Machine Learning算法的选择 [1]
之后有需要还会对其中个别算法进行细化介绍。
Reference
- Introducing Machine Learning, Mathworks
>> 本文章版权归作者所有，如需转载请联系作者授权许可。
>> 原文来自: 云飞机器人实验室
>> 原文地址: 机器学习 | 机器学习101
>> 关于我们: 关于云飞实验室
>> 支持我们: 帮助我们可持续发展
作者
