上一节我们主要探讨机器学习由什么元素组成(机器学习的模型结构)。这一节我们讲述机器学习与它的“兄弟”间的关系。
首先我们先来讲将机器学习与数据挖掘。
那么什么是数据挖掘呢?我们看看一个例子:在美国沃尔玛连锁店超市中曾出现尿布和啤酒摆在一起销售的情况,而让人惊讶的是自从这样摆设后这二者的销量都统统上升。而经营者之前是怎么得出这两者摆放一起效果会好的结果呢?答案便是数据挖掘,即通过大量数据(此处指详细原始交易)去找出感兴趣的信息(此处指顾客经常一起购买的商品有哪些)
是不是觉得和我们之前了解的机器学习很像?
没错!当我们感兴趣的信息和要学习的技能相同时(比如我感兴趣的信息是牛奶价格打折与销量的关系,而机器学习要学的技能则是给出牛奶打折力度后显示出销量变化),机器学习和数据挖掘相同。
而当我们感兴趣的信息与要学习的技能有关联时(比如我感兴趣的信息是顾客经常一起买的东西有哪些,机器学习想要学的技能则是给它两种不同物品后预测它们同时大卖的概率),则二者的关系便是相辅相成,互帮互助。
而在现实中要严格区分数据挖掘和机器学习还是比较困难的,可能比较大的不同点便是数据挖掘需要大量的数据作为支撑,而机器学习有时候并不需要如此大规模的数据。
接下来我们来看看机器学习与人工智能。
人工智能指通过一系列计算后让计算机实现智能化的行为(如自动驾驶),而机器学习则是实现这种方式的其中一种方法。
之前很火热的AlphaGo比赛中,AlphaGo下棋这个行为就是AI,而让它获得这个能力的方法之一是通过机器学习(不断“喂食”围棋比赛数据学习如何落子)。
最后我们来看看机器学习与统计学。
统计学多指用数据来建立数学模型做出预测。它可以辅助机器学习,但它侧重点更多在数学推断上而并非计算(机器学习需要计算机跑数据,而统计学可以通过数学推断预测可能性)。
这一章节中我们主要讲了
什么是机器学习?
什么时候能使用它?
机器学习的模型是什么?
以及机器学习与其他相近领域的关系。
作者:西瓜大榴莲 | 图片来源于网络
关注我们 | 获取更多好文章