用两张图帮你入门机器学习

什么是机器学习？

      深度学习的成功使得人工智能，机器学习受到前所未有的关注。相关岗位的薪资的水涨船高也吸引了大批软件开发相关的人奋不顾身的转机器学习相关应用的岗位（广告策略，推荐算法，图像识别等）。这同样催生了机器学习相关教育培训的无比火热。但老实说，对于几乎没有什么基础的人来说，想通过各种所谓高大上的培训，就掌握机器学习基本的一些东西。尤其是理论的东西，有点不切实际。
        此外，不顾个人实际情况，盲目跟风通常都不是什么值得提倡的事情。当然，我写这篇文章不是来劝谁不要学习机器学习，不要从事机器学习相关工作的。机器学习自然有它迷人的地方。并且，既然你都找到这篇文章，并点开看了，说明你还是想入坑的嘛。好了，废话多了点。下面提供两张图，然后加以说明，相信能够帮助到一些想入坑，或者没入坑的同学，对机器学习的基本概念加深一些理解。

                  图片来源：http://ai.baidu.com/paddlepaddle/player?id=11
        从这个图片出发，程序员可以对比理解到底什么是机器学习。
      传统的编程，实际是用编程语言实现一些定义好的，明确的规则，或者函数。比如 y = x1*3 + x2* 8 + x3*2 + 1 （让你编程写这个函数太简单了），然后提供给你x1,2,3的值（数据），这个程序就会输出答案（y)。
而机器学习解决什么问题呢？ 从上图来看，就是要获得规则。也就是说，我有x1,2,3这些数据， 也知道x1,2,3这些数据对应的答案（y) 是多少。但是我不知道这个在编程中很明确的这些（3，8，2）到底是什么。（以后你就会知道，这些就是模型的参数，机器学习就是要学习到这些参数）。
      我们修改下上面的函数：y = w1*x1 + w2*x2 + w3*x3 + 1
也就是说，机器学习的目的就是要学习到这些w值。你可能会说：不对，我再某些地方看到过，说机器学习是从一个假设空间中自动搜索出最优的结果。这个其实意思是一样的：上面的函数定义了一个假设空间（限定了规则只能是这样），机器学习从这个假设空间中找到最符合数据到答案映射关系的“规则”，也就是找到最优的w值。

机器怎么学习？

那么，机器学习是怎么找到这些最优的w值得呢？

图片来源：http://ai.baidu.com/paddlepaddle/player?id=11
        这张图虽然是讲的深度学习的训练过程。但深度学习毕竟也是机器学习的一个子类。所以最基本的原理是一样的（以后你会知道，简单的说不过都是要定义目标函数，损失函数，然后采用优化算法最小化损失，得到最优的解（参数权值）而已）。这个图总结的非常好，能很好的说明机器学习到底是怎么学习的。
结合上面的函数来看图。我们看到了输入x，真实的目标值Y。其中的Layer（层）+weights组成的就是一个函数的整体结构。现在，我们定义了这样一个函数（网络）结构（或者假设空间），对于任意的数据（输入的x),该函数都会给出一个预测的答案——图中的Y’。 这个预测的答案Y’ 和真实的答案Y通常都会有差距。如果能让这个预测值Y’ 和实际值Y之间的差距最小，也就是图中定义的loss score最小。那说明我们定义的这个函数（输入x到y值得映射）就是最优的，而这个时候对应的weights,就是最优的参数值。 怎么形式化定义这个loss呢？这就是loss funcation (损失函数）的作用。损失函数是机器学习中一个非常非常重要的概念。希望这里的说明让你对损失函数有一个基本的理解。今后随着深入，你们会碰到很多类型的损失函数，像MSE, logistic 损失，Hinge损失等。每种损失函数都有自己的一些特点，这个以后有机会再讲。
        损失函数定义了。现在剩下就是怎么求它的最小值。这个工作就交给Optimizer(优化算法）了。梯度下降，牛顿法等，你可能已经听过，或者以后会听到的，都是常用的优化算法。从图的右边可以找到。这是一个迭代优化的过程。
        总结一下，我们有一堆数据（x)和每条数据的答案(y)。我们想要找到数据到答案的映射关系（目标函数，机器学习中，又叫模型）。我们假定这个目标函数的基本结构，然后将输入x输入到这个函数，得到预测值，然后，定义损失函数–> 采用优化算法求极值，不断update 权值。最终得到最优解（也可能是局部最优）。具体这些update，涉及到具体的优化算法，以后有机会再总结介绍吧。