Re: 从“零”开始的机器学习生活

小杰今年已经大二了，刚刚在寒假前找了学校导师，希望跟着老师做一些研究以增加经验。而我本身对这个方面基本是一无所知状态，所以让我们从“零”来开始学习吧！

⊙﹏⊙‖∣°，首先，这里放一张机器学习的框架图(PS:网上看了好多，觉得这个算比较全的)。

图片来自：https://blog.csdn.net/z4909801/article/details/78324459

首先，什么是机器学习？Machine learning其实是一个非常广的概念，包括几年前的阿尔法Go,阿里的商品推荐系统，人脸识别等。都可以划分为人工智能领域。MIT的一位教授这样解释机器学习的概念：相较于传统的编程，机器仅执行程序并输出结果，机器学习可以在没有被明确详细地编程的情况下完成一个任务。如图：

                       

传统编程所需要的，只是数据和被明确编程的程序，计算机依据程序输出结果。而机器学习则是通过获取输入已知的数据和结果来输出获得算法模型(程序)，而获得的程序可以用来处理其他数据并获得结果，因此构成一个循环。

下面来说一下学习分类，大体上是分为有监督、无监督、半监督和强化学习四类。

                              

       

     1.     有监督学习

在有监督学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（Logistic Regression）和反向传递神经网络（Back Propagation Neural Network）。

     2.     无监督学习

　在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。

     3.     半监督学习

在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法（Graph Inference）或者拉普拉斯支持向量机（Laplacian SVM.）等。

     4.     强化学习

在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning以及时间差学习（Temporal difference learning）

在机器学习中，目前应用的用于处理数据最多的是有监督和无监督学习，我也将就此重点学习。

这里推荐几个比较好的入门课程：

1.吴恩达的机器学习相关课程，虽然年份很早但是很经典，在bilibili、Coursera、Youtube上都可以找到。网易云上的带中文字幕

https://study.163.com/course/courseLearn.htm?courseId=1004570029#/learn/video?lessonId=1049050791&courseId=1004570029

2.MIT的机器学习系列公开课。https://www.youtube.com/watch?v=h0e2HAPTGF4&t=583s