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