对“基于复杂网络的机器学习”的理解（机器学习、复杂网络、人工智能）

本篇文章只是“基于复杂网络的机器学习”的入门级文章，没有任何算法内容和繁杂公式，对小白超级友好，也可以用来入门“复杂网络”和“机器学习”（超级加倍级那种入门，最简单的概念）。文章参考了另外两篇大牛的文章。末尾会附带上大牛的文章链接。
同志们，要弄懂“基于复杂网络的机器学习”，就得顾名思义：何为复杂网络，何为机器学习？

一、何为复杂网络？

一说起网络，同志们能否想起一门计算机基础但又超级重要的课程？哈哈哈，不是计算机网络，而是数据结构！因为这里的网络是广义的网络，可以包括城市交通图、微信的人际关系图等，而数据结构里有一门课程与其类似，就是图。为什么会想起图？图是由一个个结点和一条条边组成了，而网络也是这样的，只不过可能结点和边要比图多一些。
好了，现在你的脑子中有了图的基本样子，而复杂网络的研究是基于图论的。一说起图论，相信不少同学头又要大了。不要把它想得那么恐怖，它和我们的生活很近，只不过这个名字。。。。图论。。听着确实吓人！

图论最早起源于哥尼斯堡七桥问题，或者简称七桥问题。别看名字挺像回事，我一介绍你就知道，这个问题可以说是异常的中二。哥尼斯堡是欧洲的一座城市，按现在的行政区划，属于俄罗斯。哥尼斯堡市内分布有七座桥，这七座桥把哥尼斯堡市切分成了四个区。后来，不知道是谁在中二力量的驱使下提出了一个异常中二的要求：能不能挑战一下这七座桥，找到一条路径把这七座桥全走一遍，同时要求每座桥只能走一次。这就是图论祖师爷级的哥尼斯堡七桥问题。

虽然这个问题异常中二，但确实吸引了不少吃瓜群众乐此不疲地尝试想要挑战成功，其中就有一位经常入选数学教材封面的男人——欧拉。欧拉不一般，别人挑战七桥问题，也就是茶余饭后用脚走走，欧拉不是，他专门研究了哥尼斯堡市的地图，然后设计了一套抽象理论，把七桥问题抽象成点和边的关系问题，最后证明了这个中二问题无解，真可谓是不一般的中二。而这套中二理论后来不断发展壮大，成为一条热门的数学分支，大家还专门给它起了一个相当正经的名字，没错，就是图论。别看图论现在西装革履，但研究的重点仍然是点和边的各种关系，这就是当年留下来的深深的中二烙印。

图论的研究重点是图，而复杂网络不妨简单认为是图的plus升级版，所以，复杂网络理论原封不动地继承了图论的各种定义和方法，也就不足为奇。也许你会感觉不理解，既然已经有了图论这条热门分支，为什么还要再横生枝节？

研究图的课程，我们给它起了个名字叫图论，那研究复杂的图，那我们给它起个名字叫复杂图的论咋样？嘿嘿嘿嘿，有点长是吧，所以我们的前辈们就创造出了复杂网络这一门学科。

而复杂网络包括什么呢？正如上文说的，网络指的是广义的网络，确切地说，是指现实世界里的网路，比如社交网络，xinguan病毒传播网络等。

综上所述。一个典型的网络是由许多节点与节点之间的连边组成，其中节点用来代表真实系统中不同的个体（可以存储相关信息），而边则用来表示个体间的关系，往往是两个节点之间具有某种特定的关系则连一条边，反之则不连边，有边相连的两个节点在网络中被看作是相邻的。记住了，节点可以存储信息，边可以存储两节点的某种关系。

好了，了解到了复杂网络是什么了，那么再来了解一想机器学习。

二、机器学习

机器学习，英文是Machine Learning，在计算机学生的眼里，机器一般就是指computer，那，computer“只能”用来play games，怎么还能用来study呢？😜

先给出机器学习的定义：从广义上来说，机器学习是一种能够赋予机器学习的能力，以此让它完成直接编程无法完成的功能的方法。但从实践的意义上来说，机器学习是一种通过利用数据，训练出模型，然后使用模型预测的一种方法。
总结一下，就是数据训练处模型，模型指导预测。机器学习方法是计算机利用已有的数据(经验)，得出了某种模型(迟到的规律)，并利用此模型预测未来(是否迟到)的一种方法。。

像不像我们数学上学习的归纳推测？根据已有经验进行归纳，然后推测。比如在天气上，连续九年每年的八月初五都下雨（归纳），那可以推测，第十年的八月初五也会下雨（推测）。而机器学习，其实就是通过数据，利用算法，让这个过程更为准确。

这也可以联想到人类为什么要学习历史，历史实际上是人类过往经验的总结。有句话说得很好，“历史往往不一样，但历史总是惊人的相似”。通过学习历史，我们从历史中归纳出人生与国家的规律，从而指导我们的下一步工作，这是具有莫大价值的。

根据上文，机器学习需要有准确的历史数据，不论何种模型，它的诞生必须需要数据集+算法，其中的数据常用向量存储。

再给大家举个例子。

我们要通过机器学习让电脑自动识别出照片里的是苹果还是香蕉。
首先有十张原始数据，为了让机器正确地学习区分苹果和香蕉的特点，我们要在这十张图片上标注出谁是苹果，谁是香蕉（这一步称为给数据打标签），然后规定某几种属性，如颜色，形状等，一般用向量表示，a=（1,2）（注：第一个属性为颜色，1代表红色，2代表黄色；第二个属性为形状，1代表圆形，2代表chang形）。然后让机器通过某一算法反学习复识别这十张已经被人工标记好的图片，最终机器可能得到的模型是：苹果的特点是红圆，香蕉的特点是黄长。然后再让机器识别新的没有大标记的图片，就会得出较为准确的结果。

三、 复杂网络的机器学习

基于向量的数据能不能转化为基于网络的数据？

答案是可以的。基于向量的数据是一个一个的点，而基于网络的数据则是有点有边，要解决这个问题，关键在于如何构建边。这里的“边”也不是随便画画就行，表示的是两个点之间的关系。只要找到两个样本点数据之间的关系，就能构建边了。在机器学习中，相似性是我们非常关心的一类关系，而且有大量成熟的数学工具，能够用于度量两个点之间的相似性，譬如欧氏距离，又譬如说曼哈顿距离，

基于网络的数据还有另一种情况，前面我们讨论的是本身没有关系的数据集，而有一些数据集，譬如说社交网络数据集，不同的样本点数据本身就自带有某种关系，对于这样的数据集要转化成基于网络的数据集，那就更为容易了。

现在，可以把基于向量的数据转化为基于网络的数据，那自然就能够将复杂网络中的各种模型迁移到机器学习上来

为什么要使用复杂网络来解决机器学习问题？

就在构建基于网络的数据这里。机器学习似乎正朝着基于网络的数据方向发展，这其中很重要的原因，我想是有监督学习的发展遇到了瓶颈。给数据打标签是有监督学习的一项常见的工作，也是一项颇费人力的工作，学界和工业界都在不断思索着，机器学习应该如何摆脱对标签数据的依赖，哪怕能够减少一点依赖也好。

不依赖标签数据，那就是无监督学习，减少一点依赖，那就是半监督学习，而基于网络的无监督学习和半监督学习，正是当前的正在被积极探索的前沿研究方向，复杂网络在这些方面具有先天优势，很自然地就被吸收借鉴进来。

那是不是复杂网络在有监督学习方面就没有用武之地了呢？不是，使用复杂网络模型同样可以完成分类之类的经典有监督学习任务，不过，因为有监督学习任务往往都有比较充足的标签数据，供复杂网络发挥的余地不大，总的来说在这方面的研究相对较少。

附：
机器学习入门文章
基于复杂网络的机器学习