我眼中的机器学习

很多接触过机器学习领域的人，或多或少知道点机器学习的常用算法，但是对于机器学习的认识却并不清晰。今天查找相关资料，总结得出机器学习的相关概念。

机器学习（machine learning, 简称ML）：对于某给定的任务T，在合理的性能度量方案P的前提下，某计算机程序可以自主学习任务T的经验E；随着提供合适、优质、大量的经验E，该程序对于任务T的性能逐步提高。因此，机器学习的对象主要是①任务Task，②经验Experience，③性能Performance.

另外，更通俗地讲，机器学习是人工智能的一个分支。机器学习操作步骤是：第一、我们使用计算机设计一个系统，使它能够根据提供的训练数据按照一定的方式来学习；第二、随着训练次数的增加，该系统也可以在性能上不断学习和改进；第三、通过参数优化的学习模型，能够用于预测相关问题的输出。无人驾驶汽车、新词发现等都有机器学习的应用。

机器学习的数学基础：统计学、概率论、线性代数、凸优化、高等数学中的函数求导&梯度&泰勒展开式、信息论等。常用机器学习的工具主要有Python、R、Mahout等。 机器学习的常用经典算法有线性回归、EM算法、支持向量机、贝叶斯网络、隐马尔科夫等。

机器学习是把无序的数据转换成有用的信息。机器学习横跨计算机科学、数学、统计学等多个学科，需要多学科的专业知识。

机器学习算法在包含信息检索和数据挖掘在内的多个领域中都有着十分广泛的应用。现代互联网中的搜索引擎、社交网络、推荐引擎、计算广告、电子商务等应用中，都包含大量机器学习算法。

大型金融机构，信用建模，判断某人是否会偿还贷款，

关于机器学习&数据挖掘，未来的两种趋势：第一，为了开发出竞争力强的应用，不能仅仅连接数据源，而需要做更多事情；第二，用人单位希望员工既懂理论也能编程。

推荐系统。举一个例子，开发一个在线出售商品的应用，其中主要部分是允许用户来发布商品并浏览其他人发布的商品。为此，需要建立一个web表单，允许用户输入所售商品的信息，然后将该信息传到一个数据存储区。要让用户看到其他用户所售商品的信息，就要从数据存储区获取这些数据并适当地显示出来。为了让应用更好，加入智能因素，包括自动删除不适当的发布信息、检测不正当交易、给出用户可能喜欢的商品以及预测网站的流量等。实现这些目标，需要应用机器学习方法。

一个机构会雇佣一些理论家（思考者）以及一些做实际工作的人（执行者）。前者的日常工作就是基于论文产生思路，然后通过数学进行建模。后者则通过编写代码实现，处理非理想世界中的瑕疵，比如崩溃的机器或带噪声的数据。不能完全去区分这两类人。精益生产的一个原则就是，思考者应该自己动手去做实际工作。因此，在招聘经费有限时，用人单位可能会更倾向于执行者，但是现实中用人单位希望两种人都要。当应用需要更高要求的算法时，那么需要的人员就必须能够阅读论文，领会论文思路并通过代码实现，如此反复下去。

机器学习应用场景。假设你想起今天是某位朋友的生日，打算通过邮局给她邮寄一张生日贺卡。你打开浏览器搜索趣味卡，搜索引擎显示了10个最相关的链接。你认为第二个链接最符合你的要求，点击了这个链接，搜索引擎将记录这次点击，并从中学习以优化下次搜索结果。然后，你检查电子邮件系统，此时垃圾邮件过滤器已经在后台自动过滤垃圾广告邮件，并将其放在垃圾箱内。接着你去商店购买这张生日卡片，并给你朋友的孩子挑选了一些尿布。结账时，收银员给了你一张1美元的优惠券，可以用于购买6灌装的啤酒。之所以会得到这张优惠券，是因为款台收费软件基于以前的统计知识，认为买尿布的人往往也会买啤酒。然后你去邮局寄送这张贺卡，手写识别软件识别出邮寄地址，并将贺卡发送给正确的邮车。当天你还去了贷款申请机构，查看自己是否能够申请贷款，办事员并不是直接给出结果，而是将你最近的金融活动信息输入计算机，由软件来判断你是否合格。最后，你还去了赌场找些乐子，当你步入前门时，尾随你进来的一个家伙被突然出现的保安给拦了下来。“对不起，索普先生，我们不得不请您离开赌场，我们不欢迎老千”。

现在很多公司使用机器学习软件改善商业决策、提高生产效率、检测疾病、预测天气等。

机器学习的应用前景几乎是无限的，鸟类识别专家系统也许无法像人类专家一样精确地识别不同的鸟类，然而构建接近专家水平的机器系统可以显著地改进我们的生活质量。如果我们可以构造的医生专家系统能够达到人类医生的准确率，则病人可以得到快速的治疗；如果我们可以改进天气预报，则可以减少水资源的短缺，提高食物供给。

  补充：人工智能（artificial intelligence，简称AI），是计算机科学的一个分支，它是对人的意识和思维的信息过程的模拟，人工智能不是人的智能，但是能像人一样思考，也可能超过人的智能。人工智能包含机器学习。机器学习与人工智能，可以把机器学习看成是实现人工智能化的一种手段。