机器学习——什么是机器学习？

What is Machine Learning？

机器学习，顾名思义，让机器去学习，从医疗诊断治疗到在网络上寻找朋友，许多商业应用和研究项目都离不开机器学习。简而言之，机器学习是从数据中提取知识。
机器学习是统计学、人工智能和计算机科学的交叉领域，也被称为预测分析或统计学习。它离我们并不远，今日头条、网上购物的推荐，又或是相册中相片的自动整合都有机器学习的身影。远一点来说，研究恒星、寻找遥远的行星、分析DNA序列等等机器学习都有参与。

Why Machine Learning？

在“智能”应用的早期，许多系统使用人为制订的“if”和“else”决策规则来处理数据。想象你在网上购物时，你有一个过滤器，你想买一件白色或蓝色T恤，那么如果一件T恤是黑色，过滤器会把它过滤掉。但是这样，做决策所需要的逻辑只适用于单一领域和单项任务。任务哪怕稍有变化，都有可能重写系统。但有了机器学习算法，仅向程序输入海量的人脸图像，就足以让算法确定识别人脸需要哪些特征。另外一个例子就是，向程序输入大量DNA序列的信息，算法就可以确定特征。

What can Machine Learning do?

上面介绍机器学习时已经说了几个机器学习的应用，总的来看，机器学习面对大量数据时往往能得出比人工更准确的结果。比如基于医学影像判断肿瘤为良性还是恶性、预测北京市的房价、将客户分成具有相似偏好的群组，又或者是与信息安全结合进行入侵检测、检测网站的异常访问。但是，如果没有数据信息的话，所有机器学习算法都无法做出预测。例如，如果只有人的姓氏这一个特征，任何算法都无法预测其性别。但如果添加另一个特征是人的名字，那么预测正确的可能性就会变大。

How to Machine Learning?

Life is short,Use Python.

Python已经成为许多数据科学应用的通用语言。它既有通用编程语言的强大功能，也有特定领域脚本语言(比如Matlab或R)的易用性，强大的第三方库让Python便捷且优雅。另外，使用Python，利用终端或其他类似Jupyter Notebook的工具能直接与代码进行交互。机器学习和数据分析本质上都是迭代的过程，由数据驱动分析，这些过程必须要有快速迭代和易于交互的工具。作为通用编程语言，Python当然可以用来创建复杂的图形用户界面和Web服务，也可以集成到现有系统中。
另外，许多第三方库也是机器学习中必不可少的工具，比如scikit-learn、numpy、scipy等等。

Have a clear goal

学习机器学习，要知道如何使用那些工具，如何让那些最佳实践操作指导你决定，还有用什么方式建立自己的系统。

本人正处于学习阶段，难免会有错误发生，欢迎指正！下一次我将会从机器学习中常见的算法开始继续写。还请读者关注我的个人公众号：

我们一起进步~
如需转载，请注明原文出处，作者：vergilben