關(guān)于機(jī)器學(xué)習(xí)你了解多少，文章分享了相關(guān)知識(shí)，希望對(duì)你有所啟發(fā)。

?什么是機(jī)器學(xué)習(xí)（Machine Learning）

• 定義：計(jì)算機(jī)程序可以在給定某種類別的任務(wù) T 和性能度量 P 下學(xué)習(xí)經(jīng)驗(yàn) E ，如果其在任務(wù) T 中的性能恰好可以用 P 度量，則隨著經(jīng)驗(yàn) E 而提高。
• 簡(jiǎn)單來說：機(jī)器學(xué)習(xí)是能通過經(jīng)驗(yàn)自動(dòng)改進(jìn)的計(jì)算機(jī)方法研究
• 通俗的理解：機(jī)器學(xué)習(xí)，是計(jì)算的反問題（逆運(yùn)算） （@張江）

機(jī)器學(xué)習(xí)和人工智能以及深度學(xué)習(xí)的關(guān)系

用一張圖來表示：

• 深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的子集
• 而機(jī)器學(xué)習(xí)是人工智能的核心

舉個(gè)簡(jiǎn)單的例子來說明機(jī)器學(xué)習(xí)：

先說說什么是計(jì)算：

計(jì)算房屋售價(jià)，給定輸入，得到輸出，如：

• 已知房屋售價(jià)的平米數(shù)（如下圖）
• 已知計(jì)算公式：房屋價(jià)格 = 面積 * 每平米售價(jià)（5000）
• 求房屋的售價(jià)

再來說計(jì)算的反問題（逆運(yùn)算）：

機(jī)器學(xué)習(xí)：有數(shù)據(jù)輸入和輸出，通過機(jī)器學(xué)習(xí)，得到模型

• 已知房屋的基礎(chǔ)數(shù)據(jù)
• 已知房屋的售價(jià)
• 求房屋售價(jià)計(jì)算的模型

當(dāng)房屋售價(jià)計(jì)算模型有了之后，就可以用戶新數(shù)據(jù)的預(yù)測(cè)，例如：

當(dāng)然這只是一個(gè)簡(jiǎn)單的例子，要真正預(yù)測(cè)房?jī)r(jià)，會(huì)涉及到的大量的參數(shù)，比如：幾室?guī)讖d幾衛(wèi)，地理位置，周邊環(huán)境，……等等，且機(jī)器學(xué)習(xí)得到模型也會(huì)更加復(fù)雜。

再舉一個(gè)古老經(jīng)典的例子

你去菜市場(chǎng)買芒果，印象中顏色靚麗的芒果，比暗淡的要好吃，于是你挑選了100個(gè)芒果，付款，開開心心回家了。

結(jié)果回家吃了之后，你發(fā)現(xiàn)其中25個(gè)芒果不好吃，覺得根據(jù)顏色來分辨太片面了，但是吃的過程中，你又發(fā)現(xiàn)了大個(gè)的50個(gè)芒果都好吃，小個(gè)的芒果只有25個(gè)是好吃，你總結(jié)出大個(gè)的比小個(gè)的芒果要好吃。

下次出門時(shí)，你要買更大個(gè)以及顏色更靚麗的芒果，結(jié)果發(fā)現(xiàn)常買的店鋪關(guān)門了，只能去別家買，結(jié)果兩家的產(chǎn)地不一樣，買回來100個(gè)芒果，反而是小個(gè)的顏色暗淡的好吃。

為了吸取教訓(xùn)，買到更多更好吃的芒果，你采用了「機(jī)器學(xué)習(xí)」的方法，隨機(jī)在市場(chǎng)買了1000個(gè)芒果：

• 列出芒果的屬性：顏色，大小，形狀，產(chǎn)地，經(jīng)銷商，等等，
• 以及對(duì)應(yīng)的：甜度，成熟度，是否多汁，等等

通過1000個(gè)芒果的數(shù)據(jù)，得到了一個(gè)模型，在下次購(gòu)買的時(shí)候，你只需要輸入相關(guān)的數(shù)據(jù)，就可以判斷出芒果是否好吃概率，通過大量的篩選，你購(gòu)買了一批「好吃」概率在95%以上的芒果，結(jié)果是個(gè)個(gè)非常好吃，你也成了眾人敬仰的「芒果吃貨（專家）」。

通過這兩個(gè)例子，是否對(duì)于機(jī)器學(xué)習(xí)有了初步的認(rèn)知呢？

如上圖：機(jī)器學(xué)習(xí)對(duì)于數(shù)據(jù)運(yùn)用，相當(dāng)于人的大腦對(duì)于經(jīng)驗(yàn)的運(yùn)用

實(shí)際項(xiàng)目中機(jī)器學(xué)習(xí)工作方式

• 選擇數(shù)據(jù)：將你的數(shù)據(jù)分成三組：訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測(cè)試數(shù)據(jù)
• 模型數(shù)據(jù)：使用訓(xùn)練數(shù)據(jù)來構(gòu)建使用相關(guān)特征的模型
• 驗(yàn)證模型：使用你的驗(yàn)證數(shù)據(jù)接入你的模型
• 測(cè)試模型：使用你的測(cè)試數(shù)據(jù)檢查被驗(yàn)證的模型的表現(xiàn)
• 使用模型：使用完全訓(xùn)練好的模型在新數(shù)據(jù)上做預(yù)測(cè)
• 調(diào)優(yōu)模型：使用更多數(shù)據(jù)、不同的特征或調(diào)整過的參數(shù)來提升算法的性能表現(xiàn)

機(jī)器學(xué)習(xí)都有哪些學(xué)習(xí)方式？

涉及到機(jī)器學(xué)習(xí)相關(guān)知識(shí)：

• 監(jiān)督學(xué)習(xí)：需要“標(biāo)簽”當(dāng)老師，明確要預(yù)測(cè)什么。
• 無(wú)監(jiān)督學(xué)習(xí)：不告訴機(jī)器正確答案，讓機(jī)器自己學(xué)習(xí)，給出結(jié)果。
• 半監(jiān)督學(xué)習(xí)：訓(xùn)練的數(shù)據(jù)，只有一小部分是標(biāo)記過的，大部分是沒有標(biāo)記。
• 強(qiáng)化學(xué)習(xí)：通過反饋，邊實(shí)踐邊學(xué)習(xí)。
• 遷移學(xué)習(xí)：在某個(gè)垂直領(lǐng)域訓(xùn)練完成后，移致去其他相關(guān)領(lǐng)域調(diào)優(yōu)發(fā)揮作用。

以及這一波人工智能浪潮興起的主要原因之一：

• 基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)。

接下來聊一下個(gè)人對(duì)于機(jī)器學(xué)習(xí)方式以及相關(guān)應(yīng)用的理解。

監(jiān)督學(xué)習(xí)

什么是監(jiān)督學(xué)習(xí)

概念：監(jiān)督學(xué)習(xí)就是通過樣例給定輸入與輸出，讓程序?qū)W會(huì)一些通用的規(guī)則，這樣對(duì)于需要預(yù)測(cè)的數(shù)據(jù)，得到輸出。

詮釋：有一個(gè)明確預(yù)測(cè)的目標(biāo)，比如：預(yù)估房?jī)r(jià)，給予機(jī)器大量的有標(biāo)簽的數(shù)據(jù)，以及最終的銷售價(jià)，來訓(xùn)練這個(gè)模型。

監(jiān)督學(xué)習(xí)主要解決的是兩類問題

回歸問題：

• 概念：預(yù)測(cè)結(jié)果是連續(xù)的，意味著我們嘗試將輸入變量映射到一些連續(xù)函數(shù)。
• 舉例：如預(yù)測(cè)房?jī)r(jià)的例子，通過大量輸入輸出數(shù)據(jù)，以及各種房屋類型，環(huán)境等標(biāo)簽，訓(xùn)練模型后，輸入新的數(shù)據(jù)，既可預(yù)測(cè)房?jī)r(jià)。

分類問題：

• 概念：預(yù)測(cè)結(jié)果是離散的，意味著我們嘗試將輸入變量映射到離散類別。
• 舉例：如芒果的例子，同樣通過大量輸入輸出數(shù)據(jù)，包括芒果，顏色，大小，形狀，以及甜度，成熟度等標(biāo)簽，當(dāng)輸入新的數(shù)據(jù)，機(jī)器計(jì)算出屬于這個(gè)芒果是在吃，還是在不好吃的分類里。

監(jiān)督學(xué)習(xí)主要涉及到的算法模型如下

• 線性回歸模型（Linear Regression）
• K-近鄰算法（k-Nearest Neighbors，KNN）
• 決策樹（Decision Trees）
• 樸素貝葉斯（Naive Bayesian）
• 邏輯回歸（Logistic Regression）

對(duì)于算法，初期知道解決的是什么問題即可，不要從學(xué)習(xí)的視角去深入，而是實(shí)際遇到問題，遇到問題時(shí)候再研究。

無(wú)監(jiān)督學(xué)習(xí)

什么是無(wú)監(jiān)督學(xué)習(xí)

• 詮釋：無(wú)監(jiān)督學(xué)習(xí)就是不給數(shù)據(jù)提供標(biāo)簽，由程序自動(dòng)對(duì)數(shù)據(jù)進(jìn)行聚類、關(guān)聯(lián)、降維等工作。
• 詮釋：我們擁有大量的數(shù)據(jù)，但是不知道答案，需要用無(wú)監(jiān)督學(xué)習(xí)的方法，讓它們根據(jù)某些特征自動(dòng)分成若干組，從而找到數(shù)據(jù)中存在的價(jià)值。

無(wú)監(jiān)督學(xué)習(xí)主要解決的三類問題

關(guān)聯(lián)

• 概念：為了發(fā)現(xiàn)各種現(xiàn)象同時(shí)出現(xiàn)的概率。
• 舉例：經(jīng)典例子，男人買啤酒和買尿布的關(guān)聯(lián)性非常高，超市把啤酒和尿布放在一起，從而提高業(yè)績(jī)。

聚類

• 概念：把樣本分堆，使同一堆中的樣本之間很相似，而不同堆之間的樣本就有些差別。
• 舉例：Google新聞，每天會(huì)搜集大量的新聞，然后把它們?nèi)烤垲?，就?huì)自動(dòng)分成幾十個(gè)不同的組（比如娛樂，科技，政治……），每個(gè)組內(nèi)新聞都具有相似的內(nèi)容結(jié)構(gòu)。

降維

• 概念：降維意味著減少數(shù)據(jù)集中變量的個(gè)數(shù)，但是仍然保留重要的信息。主要作用是壓縮數(shù)據(jù)與提升機(jī)器學(xué)習(xí)其他算法的效率。
• 舉例：房?jī)r(jià)包含房子的長(zhǎng)、寬、面積與房間數(shù)量四個(gè)特征，也就是維度為4維的數(shù)據(jù)。而面積=長(zhǎng) × 寬，通過降維算法我們就可以去除冗余信息，即從4維的數(shù)據(jù)壓縮到2維

無(wú)監(jiān)督學(xué)習(xí)主要涉及到的算法模型如下

• K 均值算法（K-means）
• 自編碼（Autoencoding）
• 主成分分析（Principal components analysis）
• 隨機(jī)森林（Random forests）

同理，解決實(shí)際問題中，再深入到算法里提升自己的認(rèn)知。

半監(jiān)督學(xué)習(xí)

什么是半監(jiān)督學(xué)習(xí)

• 概念：使用大量的未標(biāo)記數(shù)據(jù)，以及同時(shí)使用標(biāo)記數(shù)據(jù)，來進(jìn)行模式識(shí)別工作。
• 詮釋：大概意思就是，監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)相結(jié)合的一種學(xué)習(xí)方法，介于兩者之間。

半監(jiān)督學(xué)習(xí)解決問題

• 相比監(jiān)督學(xué)習(xí)：節(jié)約人力成本，提高投入產(chǎn)出比。
• 相比無(wú)監(jiān)督學(xué)習(xí)：可以得到分配更高精度的模型。

具體適用場(chǎng)景的舉例

• 例如：視頻網(wǎng)站上有幾百萬(wàn)的視頻，但其中只有幾十萬(wàn)的視頻有標(biāo)簽，如果把剩下幾百萬(wàn)視頻都打上標(biāo)簽，工作量和成本是巨大的，而用無(wú)監(jiān)督的方法，在很多情況下精度會(huì)很低，所以使用半監(jiān)督的方法，可以在節(jié)省人力的情況下，得到分類更高精度的模型。
• 例如：垃圾信息過濾，一般的方法是監(jiān)督，需要大量的語(yǔ)料標(biāo)注，告知系統(tǒng)哪些可能是垃圾信息。但用戶產(chǎn)會(huì)生了大量的信息，且垃圾信息的發(fā)布者也在調(diào)整策略，無(wú)法進(jìn)行實(shí)時(shí)標(biāo)注，這里可以用半監(jiān)督的方法，根據(jù)垃圾信息發(fā)布者的特殊行為，發(fā)布內(nèi)容等找到相似性，進(jìn)行過濾。

強(qiáng)化學(xué)習(xí)

什么是強(qiáng)化學(xué)習(xí)

• 概念：強(qiáng)化學(xué)習(xí)就是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，以使獎(jiǎng)勵(lì)信號(hào)(強(qiáng)化信號(hào))函數(shù)值最大。如果Agent的某個(gè)行為策略導(dǎo)致環(huán)境正的獎(jiǎng)賞(強(qiáng)化信號(hào))，那么Agent以后產(chǎn)生這個(gè)行為策略的趨勢(shì)便會(huì)加強(qiáng)。
• 詮釋：針對(duì)沒有標(biāo)注數(shù)據(jù)集的情況而言，通過反饋來區(qū)分是否越來越接近目標(biāo)。比如常見一個(gè)猜價(jià)格的游戲，你來猜這個(gè)東西值多少錢，別人告訴你猜的價(jià)格是高了還是低了。
• 例如：阿爾法狗，自己跟自己下圍棋，通過一盤盤的勝負(fù)，自我學(xué)習(xí)、自我修煉、自我改正，然后一個(gè)一個(gè)迭代，自己跟自己下了1000萬(wàn)盤之后，完全就是一個(gè)新的狗狗。

強(qiáng)化學(xué)習(xí)和監(jiān)督學(xué)習(xí)的區(qū)別

監(jiān)督學(xué)習(xí)總的來說是一個(gè)開環(huán)的學(xué)習(xí)。

• 通常，監(jiān)督學(xué)習(xí)任務(wù)會(huì)從環(huán)境中收集一批數(shù)據(jù)；
• 接著我們用監(jiān)督學(xué)習(xí)算法從數(shù)據(jù)中產(chǎn)生模型；
• 最后就可以用這個(gè)模型來做預(yù)測(cè)了。

但是對(duì)于強(qiáng)化學(xué)習(xí)來說，它面對(duì)的是一個(gè)閉環(huán)的學(xué)習(xí)。

• 首先，也是從環(huán)境中產(chǎn)生數(shù)據(jù)；
• 用強(qiáng)化學(xué)習(xí)的算法從數(shù)據(jù)中產(chǎn)生模型；
• 還要把模型放回到環(huán)境中運(yùn)行，接著又會(huì)產(chǎn)生新的數(shù)據(jù)出來，再重復(fù)以上步驟。

強(qiáng)化學(xué)習(xí)的應(yīng)用

• 例如：訓(xùn)練機(jī)器臂，把一個(gè)指的位置的物體，拿到另外一個(gè)指定的位置上，這里你不告訴它怎么做，讓他通過一遍遍的訓(xùn)練，找到最佳的移動(dòng)物體路徑。
• 例如：個(gè)性化推薦，當(dāng)推薦你某個(gè)分類內(nèi)容時(shí)候，你會(huì)點(diǎn)擊或查看，它就會(huì)根據(jù)你的行為，推薦給你更多該分類的內(nèi)容。
• 例如：無(wú)人機(jī)操作，指定你的無(wú)人機(jī)進(jìn)行某種動(dòng)作飛行，通過強(qiáng)化學(xué)習(xí)來控制高度，速度，姿態(tài)等等，根據(jù)獎(jiǎng)勵(lì)讓它自己學(xué)習(xí)策略，來達(dá)到目的

遷移學(xué)習(xí)

什么是遷移學(xué)習(xí)

• 概念：一般就是指要將從源領(lǐng)域?qū)W習(xí)到的東西應(yīng)用到目標(biāo)領(lǐng)域上去。
• 詮釋：比如你會(huì)騎自行車，你會(huì)控制車把，剎車，控訴，躲避，踩踏，平衡感等等，然后讓你騎摩托車時(shí)候，你也可以輕易上手，逐漸適應(yīng)速度和動(dòng)力上的特殊性。

遷移學(xué)習(xí)應(yīng)用

• 模擬中學(xué)習(xí)：不管是無(wú)人車，還是機(jī)械臂，在現(xiàn)實(shí)中學(xué)習(xí)耗時(shí)且昂貴。通過模擬的方法，在虛擬中完成部分的訓(xùn)練，遷移到現(xiàn)實(shí)中，當(dāng)然這種方法存在很多問題，畢竟虛擬世界無(wú)法做到跟現(xiàn)實(shí)一模一樣，比如物理引擎，但是作為初始訓(xùn)練是可行的。
• 適應(yīng)新領(lǐng)域：在線推薦系統(tǒng)中利用遷移學(xué)習(xí)，例如影像資料領(lǐng)域做好一個(gè)推薦系統(tǒng)，然后應(yīng)用在稀疏的、新的垂直領(lǐng)域書籍資料里。
• 跨語(yǔ)言傳播知識(shí)：從一種語(yǔ)言學(xué)習(xí)然后將所得知識(shí)應(yīng)用于另一種語(yǔ)言，是遷移學(xué)習(xí)的另一個(gè)重要應(yīng)用。比如英語(yǔ)訓(xùn)練之后，遷移到印度本土語(yǔ)言上。

以上就是對(duì)于機(jī)器學(xué)習(xí)部分的一部分認(rèn)知，而其中「深度學(xué)習(xí)」部分，會(huì)單獨(dú)完成一篇筆記來跟大家交流。

相關(guān)閱讀

從0開始搭建產(chǎn)品經(jīng)理的AI認(rèn)知體系

產(chǎn)品經(jīng)理的AI知識(shí)框架：計(jì)算機(jī)視覺

產(chǎn)品經(jīng)理的AI知識(shí)框架：語(yǔ)音識(shí)別與合成

作者：蘭楓，微信公號(hào)：藍(lán)風(fēng)GO @LanFengTalk，前騰訊游戲，新浪微博PM，Elex產(chǎn)品總監(jiān)，8年的游戲，社交，O2O等產(chǎn)品相關(guān)經(jīng)驗(yàn)，連續(xù)創(chuàng)業(yè)者。

本文由 @蘭楓 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自PEXELS，基于CC0協(xié)議