什么是机器学习？

此为观看视频 What is Machine Learning? 后的笔记。

作者首先解释了几个经常互换，但其实不同的术语：AI（人工智能），ML（机器学习）和DL（深度学习）。

• AI是利用计算机或机器来模仿人类思维，从而解决问题和做出决策。
• ML是人工智能的子集，更专注于使用各种自学习算法，从数据中获取知识，以便预测结果。
• DL是机器学习的子集，是可扩展的机器学习，它自动化了很多特征提取过程，并消除了一些人为干预，从而能够使用一些非常大的数据集。

本视频专门讨论机器学习。

监督学习（supervised learning）

机器学习的第一种类型称为监督学习，即使用标记数据集来训练算法对数据进行分类或预测结果。 标记是指数据集中的行以某种方式被标记、打标签或分类。 标记可能是一个“是”或“否”，也可能是某些不同属性的特定类别。

如何应用监督机器学习技术取决于特定用例。 例如分类模型（classification model）可以识别想法或对象并将其分组到预定义的类别中。 现实世界中的一个例子是客户保留，即识别和减少客户流失，因为获取新客户的成本比保留现有客户的成本高得多。我们可以基于客户的历史数据来构建分类模型，以识别流失客户和采取行动。

监督学习的另一种类型是回归（regression）。我们使用各种输入值建立一个方程，每个值根据其对结果影响大小赋予权重，并使用它们来生成输出值的估计。航空公司的机票价格制定（实际上属于收益管理）严重依赖机器学习，他们使用各种输入因素，例如出发前几天、一周中的哪一天、出发、目的地等来预测和最大化收益。

无监督学习（unsupervised learning）

无监督学习使用机器学习算法来分析和聚类未标记的数据集，他可以帮助我们发现隐藏的模式或分组，而无需人工干预。这里使用的是未标记的数据。

无监督学习的其中一种方法是聚类（clustering），例如客户细分。有效的企业营销非常依赖于对客户的了解，这样就可以以最适合的方式与客户联系。但通常客户之间的相似或不同之处并不明显，聚类算法可以根据客户的购买历史、社交媒体活动或网站活动，地理位置等信息，将客户进行分组，以便我们可以向他们发送更多相关优惠，提供更好的客户服务，即让我们的营销工作更有针对性。

无监督学习还有一种技术是降维，指的是减少数据集中输入变量数量的技术，这样就不会让一些冗余参数过度影响结果。

半监督学习（semi-supervised learning）

强化学习（reinforcement learning）是半监督学习的一种形式，我们通常让代理或系统在环境中采取行动。 环境要么奖励代理的正确动作，惩罚它的错误动作。通过多次迭代，系统就可以执行特定任务。

例如自动驾驶汽车，其涉及速度限制、可行驶区域、碰撞等等。我们可以使用强化学习的形式来教系统自动驾驶，并避免碰撞和遵守速度限制。

总结

• 监督学习
  • 分类（客户保留）
  • 回归（机票收益管理）
• 无监督学习
  • 聚类（客户细分）
• 半监督学习
  • 强化学习（自动驾驶）