程序员眼中的机器学习

前言

    目前机器学习的学习资料有很多，但大多偏理论。对于一个在职的程序员，早已把知识还给老师的人，会更希望知道，该怎么做才能完成老板交代的任务。这里从实战的角度介绍机器学习，希望对一些刚入坑的程序员有帮助。当然理论还是绝对必要的。

什么是机器学习

    这个概念非常宏大，但一句话总结，机器学习就是从已有的数据中学习到一个数学模型，这个模型通常就是一个函数f(x)，然后将这个模型应用到实际的任务中。

    例如，你的老板给你了一群人的身高和体重，要求你开发一个通过身高预测体重的程序。传统的做法可能就是统计出身高和体重的映射表，然后通过一堆的if else 来预测。

    下面我们看看机器学习如何工作的，首先我们需要定义一个函数f(x)=y，这个函数就是我们的数学模型，x就是我们模型的输入也就是身高，y则是模型的输出也就是体重。那机器要学习什么呢？这个就需要看你如何定义f(x)。通常我们会让f(x)=wx+b,这是典型的线性模型，其中w、b便是机器要学习的参数。 当然这个模型也可以定义成任何你喜欢的形式，例如 ： f(x)=w ₁x+w ₂x ²+w ₃x ³+b 那么w ₁、w ₂、w ₃、b 便是要学习的参数。

机器如何学习

    上面介绍了，机器学习的本质就是去学习一个函数f(x)，那机器如何学习呢？

    通常机器学习首先需要做以下准备:

• 收集训练数据，也就是机器学习的学习资料。
• 定义模型也就是上面提到的f(x)=wx+b，相当于学生。
• 定义目标函数，相当于老师，教会我们模型去学习最好的参数。

    什么是目标函数？让我们继续完成上面用身高预测体重的程序。

    我们有了一批x(身高)和y(体重)的数据，也定义了模型f(x)=wx+b，那怎样解出w和b呢？也许你可能想，我们把训练数据都带入到方程中，这样我们就得到一批关于w和b的方程，剩下的就是解一个二元一次方程。但真实情况这个方程可能是无解的，不可能刚好解出一个w和b能都满足我们的训练数据。这种情况我们就必须定义一个目标函数，来指导如何优化我们的模型得到最优的w和b。这里我们定义目标函数为 :

    这里的n是我们的训练数据总量。 我们通过最小化这个目标函数，最终要求我们的模型预测出来的身高和真实的身高y约接近越好。这样我们就学习到了一个很好的w和b。而这个最小化目标函数的过程，就是训练。通常我们使用梯度下降法来最小化目标函数。

训练好模型后，我们就可以把模型应用到我们的程序中了。

PS:     在有些文章你也会看到代价函数、损失函数，他们和目标函数有些细微的差别，但完全可以当做一个东西去理解，他们的作用也都是用来优化模型的。

    在训练的过程中我们的重点关注在目标函数，当模型训练好后，我们便把模型运用在具体的任务中。

    目标函数中总是会包含我们的模型，这样我们才能优化模型。

程序员为什么要学习机器学习

    目前机器学习已经应用到了生活的各个方面。例如新闻的推荐系统、语音识别、自然语言处理、无人驾驶、垃圾邮件、机器翻译等众多领域都有机器学习的影子。

    在编程上，其实有很多任务光凭规则，是没办法完成。例如让程序去识别一个树，让程序从一段话中抽出摘要。so，授之以鱼不如授之以渔，我们要教会电脑去钓鱼。