科普 | 12個關鍵詞，告訴你到底什么是機器學習

時間?2016-05-27 18:31:00??雷鋒網?相似文章?(1) 原文??http://www.leiphone.com/news/201605/xrY2x8VMv8qE4eEH.html http://www.tuicool.com/articles/yieYfaU
主題?數據挖掘

今年8月，雷鋒網?(搜索“雷鋒網”公眾號關注)?將在深圳舉辦一場盛況空前有全球影響力的人工智能與機器人創新大會。屆時雷鋒網將發布“人工智能&機器人Top25創新企業榜”榜單。目前，我們正在拜訪人工智能、機器人領域的相關公司，從中篩選最終入選榜單的公司名單。

如果你也想加入我們的榜單之中，請聯系：2020@leiphone.com。

圖片來源:?toptal?

編者按：隨著人工智能（AI）技術對各行各業有越來越深入的影響，我們也更多地在新聞或報告中聽到“機器學習”、“深度學習”、“增強學習”、“神經網絡”等詞匯，對于非專業人士來說略為玄幻。這篇文章為讀者梳理了包括這些在內的12個關鍵詞，希望幫助讀者更清晰地理解，這項人工智能技術的內涵和潛能。??

1、? 機器學習

湯姆·米歇爾教授任職于卡內基梅隴大學計算機學院、機器學習系，根據他在《機器學習》一書中的定義，機器學習是“研究如何打造可以根據經驗自動改善的計算機程序”。機器學習在本質上來說是跨學科的，使用了計算機科學、統計學和人工智能以及其他學科的知識。機器學習研究的主要產物是算法，可以幫助基于經驗的自動改善。這些算法可以在各個行業有廣泛應用，包括計算機視覺、人工智能和數據挖掘。

2、? 分類

分類的含義是，打造模型，將數據分類進入不同的類別。這些模型的打造方式，是輸入一個訓練數據庫，其中有預先標記好的類別，供算法進行學習。然后，在模型中輸入類別未經標記的數據庫，讓模型基于它從訓練數據庫中所學到的知識，來預測新數據的類別。

因為這類的算法需要明確的類別標記，因此，分類算是“監督學習”的一種形式。

3、? 回歸

回歸是與分類緊密聯系在一起的。分類是預測離散的類別，而回歸則適用的情況，是當預測“類別”由連續的數字組成。線性回歸就是回歸技術的一個例子。

圖片來源：?KDNuggets

4、? 聚集

聚集是用來分析不含有預先標記過的類別的數據，甚至連類別特性都沒有標記過。數據個體的分組原則是這樣的一個概念：最大化組內相似度、最小化組與組之間的相似度。這就出現了聚集算法，識別非常相似的數據并將其放在一組，而未分組的數據之間則沒那么相似。K-means聚集也許是聚集算法中最著名的例子。

由于聚集不需要預先將類別進行標記，它算是“無監督學習”的一種形式，意味著算法通過觀察進行學習，而不是通過案例進行學習。

5、? 關聯

要解釋關聯，最簡單的辦法是引入“購物籃分析”，這是一個比較著名的典型例子。購物籃分析是假設一個購物者在購物籃中放入了各種各樣的物品（實體或者虛擬），而目標是識別各種物品之間的關聯，并為比較分配支持和置信度測量（編者注：置信度是一個統計學概念，意味著某個樣本在總體參數的區間估計）。這其中的價值在于交叉營銷和消費者行為分析。關聯是購物籃分析的一種概括歸納，與分類相似，除了任何特性都可以在關聯中被預測到。?Apriori?算法被稱為最知名的關聯算法。

關聯也屬于“無監督學習”的一種形式。

決策樹的例子，分步解決并分類的方式帶來了樹形結構。圖片來源：?SlideShare?。

6、? 決策樹

決策樹是一種自上而下、分步解決的遞歸分類器。決策樹通常來說由兩種任務組成：歸納和修剪。歸納是用一組預先分類的數據作為輸入，判斷最好用哪些特性來分類，然后將數據庫分類，基于其產生的分類數據庫再進行遞歸，直到所有的訓練數據都完成分類。打造樹的時候，我們的目標是找到特性來分類，從而創造出最純粹的子節，這樣，要將數據庫中所有數據分類，只需要最少的分類次數。這種純度是以信息的概念來衡量。

一個完整的決策樹模型可能過于復雜，包含不必要的結構，而且很難解讀。因而我們還需要“修剪”這個環節，將不需要的結構從決策樹中去除，讓決策樹更加高效、簡單易讀并且更加精確。

右上箭頭：最大間隔超平面。左下箭頭：支持向量。圖片來源：?KDNuggets?。

7、? 支持向量機(SVM)

SVM可以分類線性與非線性數據。SVM的原理是將訓練數據轉化進入更高的維度，再檢查這個維度中的最優間隔距離，或者不同分類中的邊界。在SVM中，這些邊界被稱為“超平面”，通過定位支持向量來劃分，或者通過最能夠定義類型的個例及其邊界。邊界是與超平面平行的線條，定義為超平面及其支持向量之間的最短距離。

SVM的宏偉概念概括起來就是：如果有足夠多的維度，就一定能發現將兩個類別分開的超平面，從而將數據庫成員的類別進行非線性化。當重復足夠多的次數，就可以生成足夠多的超平面，在N個空間維度中，分離所有的類別。

8、? 神經網絡

神經網絡是以人類大腦為靈感的算法，雖然，這些算法對真實人腦功能的模擬程度有多少，還存在很多的爭議，我們還沒法說這些算法真正模擬了人類大腦。神經網絡是由無數個相互連接的概念化人工神經元組成，這些神經元在互相之間傳送數據，有不同的相關權重，這些權重是基于神經網絡的“經驗”而定的。“神經元”有激活閾值，如果各個神經元權重的結合達到閾值，神經元就會“激發”。神經元激發的結合就帶來了“學習”。

圖片來源：?KDNuggets?。

9、? 深度學習

深度學習相對來說還是個比較新的詞匯，雖然在網絡搜索大熱之前就已經有了這個詞匯。這個詞匯在研究和業界都名聲大噪，主要是因為其他一系列不同領域的巨大成功。深度學習是應用深度神經網絡技術——具有多個隱藏神經元層的神經網絡架構——來解決問題。深度學習是一個過程，正如使用了深度神經網絡架構的數據挖掘，這是一種獨特的機器學習算法。

10、增強學習

對于“增強學習”最好的描述來自劍橋大學教授、微軟研究科學家Christopher Bishop，他用一句話精確概括：“增強學習是在某一情景中尋找最適合的行為，從而最大化獎勵。”增強學習中，并沒有給出明確的目標；機器必須通過不斷試錯的方式進行學習。我們來用經典的馬里奧游戲舉個例子。通過不斷試錯，增強學習算法可以判斷某些行為、也就是某些游戲按鍵可以提升玩家的游戲表現，在這里，試錯的目標是最優化的游戲表現。

K層交叉檢驗的例子，在每一輪使用不同的數據進行測試（藍色為訓練數據、黃色為測試數據），方框下為每一輪的驗證精度。最終的驗證精度是10輪測試的平均數。圖片來源：?GitHub?。

11、K層交叉檢驗

交叉檢驗是一種打造模型的方法，通過去除數據庫中K層中的一層，訓練所有K減1層中的數據，然后用剩下的第K層來進行測驗。然后，再將這個過程重復K次，每一次使用不同層中的數據測試，將錯誤結果在一個整合模型中結合和平均起來。這樣做的目的是生成最精確的預測模型。

12、貝葉斯

當我們討論概率的時候，有兩個最主流的學派：經典學派概率論看重隨機事件發生的頻率。與之對比，貝葉斯學派認為概率的目標是將未確定性進行量化，并隨著額外數據的出現而更新概率。如果這些概率都延伸到真值，我們就有了不同確定程度的“學習”。

Via?KDNuggets

總結

以上是生活随笔為你收集整理的科普 | 12个关键词，告诉你到底什么是机器学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。