什么是機器學習方法一

　　盡管供應商和算法多的讓人有些眼花繚亂，但事實上機器學習方法只有那么幾類。首先，從你需要解決的問題開始識別方法，然后你就可以縮小供應商和支持此方法的最佳工具。這看起來可能很明顯，但我都不知道有多少次看到一些公司在理解需求或方法之前就開始使用特定的工具了(Hadoop，還有其它的嗎?)。

　　最常見的方法如下：

　　Feature Extraction (特征提取)：這種方法需要一個類似文本、圖像、視頻、音頻的原始輸入，然后提取可以在隨后的機器學習算法中使用的相關“特征”和模式。這與其自身并不是息息相關，但卻是一個重要的預處理步驟。

　　Clustering(聚類) ：此方法也稱作”unsupervised learning(無監督學習)”，它基于相似性原理將原始數據或特征和組對象組放到一起。唯一真正的要求就是對象需要一種比較相似性的手段，例如，比較它們相似或不同的方法。

　　Classification(分類) ：此方法也稱作“supervised learning(監督學習)”，分類需要原始數據或特征，以及一個用戶定義的類別，然后開發規則將這些對象歸入到這些類別中。這種規則接著可以用來預測新的、沒有類別的對象。這種技術也有助于標記內容，例如，圖片、視頻和產品。

　　Prediction(預測) ：此方法根據已知的數據來確定關系，并制定規則，然后預測未來的事件，例如，一個客戶的離開(“客戶流失”)或一個人會不會買這件商品(“推薦引擎”)。預測的過程真的很有趣，做預測的一個最佳理由就是：誰不想預測未來呢?

　　該列表看似很短，然而很多公司在實踐中都曾在其中絆倒過，簡而言之就這幾個。即使更先進的解決方案，如谷歌的無人駕駛汽車使用的也是這些基本的構建模塊：特征提取(將其三維空間降解為一系列機器可讀的對象)，分類(這些物體看起來像一輛車，那些對象看起來像行人)，預測(如果是紅燈，我前面的車將會停止)。

　　這些模塊的選擇(無論是單獨使用還是組合)，取決于你需要解決的問題，并且你可以以你的方式更好地完成一個成功的機器學習項目。

　　什么是機器學習方法二

　　在先前的Thinking Big Data? Think Bold Questions Instead一文中我指出，在大數據時代，我鼓勵人們從一個問題開始學習而不是從一個工具開始。這個道理同樣適用于AI/機器學習領域。在我們如今生活的年代，讓人興奮的是我們可以提出真正無所畏懼的問題。因為我們已經不再受到硬件或軟件的限制。

　　首先花時間徹底弄清楚你正在解決的問題的類型。使用“五個為什么”(問為什么?五次)的方法來追朔問題的根源。根據我的經驗，我發現了一些常規形式：

　　Top Line(收入 )：哪一個是我們最好/最有利可圖的產品、客戶、期望等，采取什么行動可以獲取最大利益?這是一個擴展的經典市場細分和商業智能報告。使用大數據和人工智能領域的新工具，我們可以分析海量的數據和組，或者做出高精度和細微差別的預測。

　　Bottom Line (成本代價):在我們的操作過程中，效率低下的地方有哪些，如何優化才能降低成本?這也是一個擴展的傳統報表技術。

　　消費者經驗 ：促使消費者最佳/積極消費經歷的因素是什么，要怎么做才可以提升它?除了上面提到的方法和工具，推薦引擎(類似于Amazon和Netflix)在這個領域里也扮演了重要的角色。面向客服服務的自動助手也成為可能。

　　知識發現/決策支持 ：我們從已知的信息中能夠挖掘到什么新知識，并且應該如何使用它來做出決策呢?這是我個人最喜歡的一個方向，我職業生涯的大部分時間都在做這個。決策支持工具已經出現了一段時間，但技術的進步持續地提高了計算機的處理分析能力，讓我們從處理分析能力的限制里解脫出來，不用擔心處理能力的不足，從而專注發現。

　　智能機器/軟件 ：其他領域都集中于使企業或消費者變得更好，然而這一領域專注于創造智能機器來處理世界上特定的問題：從導航真實世界到數據的實時分析和反應。機會仍然存在，即使你不是一個核心軟體開發公司。如果你在這個領域有商業理念，你可以永遠與那些能給你的生活帶來愿景的人合作。

　　如果這些問題帶領你去尋找一個非技術性解決方案，那么請不要驚訝。有時候，最好的解決方案并不是實現一個軟件，而是從人以及處理方法上做改進。

　　比如，我曾被帶去幫助一個出版社組織去評估新的分析工具。在挖掘詳細信息之后，我發現他們面臨的真實問題是“創新者的窘境”。任何一種新技術都可能腐蝕他們已存的商業模式，除非他們先解決自己市場上的混亂。我對此給出了一些適度的技術改進方法，但我還是鼓勵他們把大部分精力集中在解決商業模式的問題上。

　　你可能也會發現，很多傳統的商業智能工具都是有必要的，或許你有一個不需要人工智能的大數據規模問題。請牢牢記住，成功往往是問正確的問題，而不是挑選閃亮的新玩具。

　　什么是機器學習方法三

　　1、回歸算法

　　在大部分機器學習課程中，回歸算法都是介紹的第一個算法。原因有兩個：一.回歸算法比較簡單，介紹它可以讓人平滑地從統計學遷移到機器學習中。二.回歸算法是后面若干強大算法的基石，如果不理解回歸算法，無法學習那些強大的算法。回歸算法有兩個重要的子類：即線性回歸和邏輯回歸。

　　線性回歸就是我們前面說過的房價求解問題。如何擬合出一條直線最佳匹配我所有的數據?一般使用“最小二乘法”來求解。“最小二乘法”的思想是這樣的，假設我們擬合出的直線代表數據的真實值，而觀測到的數據代表擁有誤差的值。為了盡可能減小誤差的影響，需要求解一條直線使所有誤差的平方和最小。最小二乘法將最優問題轉化為求函數極值問題。函數極值在數學上我們一般會采用求導數為0的方法。但這種做法并不適合計算機，可能求解不出來，也可能計算量太大。

　　計算機科學界專門有一個學科叫“數值計算”，專門用來提升計算機進行各類計算時的準確性和效率問題。例如，著名的“梯度下降”以及“牛頓法”就是數值計算中的經典算法，也非常適合來處理求解函數極值的問題。梯度下降法是解決回歸模型中最簡單且有效的方法之一。從嚴格意義上來說，由于后文中的神經網絡和推薦算法中都有線性回歸的因子，因此梯度下降法在后面的算法實現中也有應用。

　　邏輯回歸是一種與線性回歸非常類似的算法，但是，從本質上講，線型回歸處理的問題類型與邏輯回歸不一致。線性回歸處理的是數值問題，也就是最后預測出的結果是數字，例如房價。而邏輯回歸屬于分類算法，也就是說，邏輯回歸預測結果是離散的分類，例如判斷這封郵件是否是垃圾郵件，以及用戶是否會點擊此廣告等等。

　　實現方面的話，邏輯回歸只是對對線性回歸的計算結果加上了一個Sigmoid函數，將數值結果轉化為了0到1之間的概率(Sigmoid函數的圖像一般來說并不直觀，你只需要理解對數值越大，函數越逼近1，數值越小，函數越逼近0)，接著我們根據這個概率可以做預測，例如概率大于0.5，則這封郵件就是垃圾郵件，或者腫瘤是否是惡性的等等。從直觀上來說，邏輯回歸是畫出了一條分類線。

　　假設我們有一組腫瘤患者的數據，這些患者的腫瘤中有些是良性的(圖中的藍色點)，有些是惡性的(圖中的紅色點)。這里腫瘤的紅藍色可以被稱作數據的“標簽”。同時每個數據包括兩個“特征”：患者的年齡與腫瘤的大小。我們將這兩個特征與標簽映射到這個二維空間上，形成了我上圖的數據。

　　當我有一個綠色的點時，我該判斷這個腫瘤是惡性的還是良性的呢?根據紅藍點我們訓練出了一個邏輯回歸模型，也就是圖中的分類線。這時，根據綠點出現在分類線的左側，因此我們判斷它的標簽應該是紅色，也就是說屬于惡性腫瘤。

　　邏輯回歸算法劃出的分類線基本都是線性的(也有劃出非線性分類線的邏輯回歸，不過那樣的模型在處理數據量較大的時候效率會很低)，這意味著當兩類之間的界線不是線性時，邏輯回歸的表達能力就不足。下面的兩個算法是機器學習界最強大且重要的算法，都可以擬合出非線性的分類線。

　　2、神經網絡

　　神經網絡(也稱之為人工神經網絡，ANN)算法是80年代機器學習界非常流行的算法，不過在90年代中途衰落。現在，攜著“深度學習”之勢，神經網絡重裝歸來，重新成為最強大的機器學習算法之一。

　　神經網絡的誕生起源于對大腦工作機理的研究。早期生物界學者們使用神經網絡來模擬大腦。機器學習的學者們使用神經網絡進行機器學習的實驗，發現在視覺與語音的識別上效果都相當好。在BP算法(加速神經網絡訓練過程的數值算法)誕生以后，神經網絡的發展進入了一個熱潮。BP算法的發明人之一是前面介紹的機器學習大牛Geoffrey Hinton(圖1中的中間者)。

　　具體說來，神經網絡的學習機理是什么?簡單來說，就是分解與整合。在著名的Hubel-Wiesel試驗中，學者們研究貓的視覺分析機理是這樣的。

　　比方說，一個正方形，分解為四個折線進入視覺處理的下一層中。四個神經元分別處理一個折線。每個折線再繼續被分解為兩條直線，每條直線再被分解為黑白兩個面。于是，一個復雜的圖像變成了大量的細節進入神經元，神經元處理以后再進行整合，最后得出了看到的是正方形的結論。這就是大腦視覺識別的機理，也是神經網絡工作的機理。

　　讓我們看一個簡單的神經網絡的邏輯架構。在這個網絡中，分成輸入層，隱藏層，和輸出層。輸入層負責接收信號，隱藏層負責對數據的分解與處理，最后的結果被整合到輸出層。每層中的一個圓代表一個處理單元，可以認為是模擬了一個神經元，若干個處理單元組成了一個層，若干個層再組成了一個網絡，也就是”神經網絡”。在神經網絡中，每個處理單元事實上就是一個邏輯回歸模型，邏輯回歸模型接收上層的輸入，把模型的預測結果作為輸出傳輸到下一個層次。通過這樣的過程，神經網絡可以完成非常復雜的非線性分類。

　　下圖會演示神經網絡在圖像識別領域的一個著名應用，這個程序叫做LeNet，是一個基于多個隱層構建的神經網絡。通過LeNet可以識別多種手寫數字，并且達到很高的識別精度與擁有較好的魯棒性。

　　進入90年代，神經網絡的發展進入了一個瓶頸期。其主要原因是盡管有BP算法的加速，神經網絡的訓練過程仍然很困難。因此90年代后期支持向量機(SVM)算法取代了神經網絡的地位。

　　3、SVM(支持向量機)

　　支持向量機算法是誕生于統計學習界，同時在機器學習界大放光彩的經典算法。

　　支持向量機算法從某種意義上來說是邏輯回歸算法的強化：通過給予邏輯回歸算法更嚴格的優化條件，支持向量機算法可以獲得比邏輯回歸更好的分類界線。但是如果沒有某類函數技術，則支持向量機算法最多算是一種更好的線性分類技術。

　　但是，通過跟高斯“核”的結合，支持向量機可以表達出非常復雜的分類界線，從而達成很好的的分類效果。“核”事實上就是一種特殊的函數，最典型的特征就是可以將低維的空間映射到高維的空間。

　　我們如何在二維平面劃分出一個圓形的分類界線?在二維平面可能會很困難，但是通過“核”可以將二維空間映射到三維空間，然后使用一個線性平面就可以達成類似效果。也就是說，二維平面劃分出的非線性分類界線可以等價于三維平面的線性分類界線。于是，我們可以通過在三維空間中進行簡單的線性劃分就可以達到在二維平面中的非線性劃分效果。

　　支持向量機是一種數學成分很濃的機器學習算法(相對的，神經網絡則有生物科學成分)。在算法的核心步驟中，有一步證明，即將數據從低維映射到高維不會帶來最后計算復雜性的提升。于是，通過支持向量機算法，既可以保持計算效率，又可以獲得非常好的分類效果。因此支持向量機在90年代后期一直占據著機器學習中最核心的地位，基本取代了神經網絡算法。直到現在神經網絡借著深度學習重新興起，兩者之間才又發生了微妙的平衡轉變。

　　4、聚類算法

　　前面的算法中的一個顯著特征就是我的訓練數據中包含了標簽，訓練出的模型可以對其他未知數據預測標簽。在下面的算法中，訓練數據都是不含標簽的，而算法的目的則是通過訓練，推測出這些數據的標簽。這類算法有一個統稱，即無監督算法(前面有標簽的數據的算法則是有監督算法)。無監督算法中最典型的代表就是聚類算法。

　　讓我們還是拿一個二維的數據來說，某一個數據包含兩個特征。我希望通過聚類算法，給他們中不同的種類打上標簽，我該怎么做呢?簡單來說，聚類算法就是計算種群中的距離，根據距離的遠近將數據劃分為多個族群。

　　聚類算法中最典型的代表就是K-Means算法。

　　5、降維算法

　　降維算法也是一種無監督學習算法，其主要特征是將數據從高維降低到低維層次。在這里，維度其實表示的是數據的特征量的大小，例如，房價包含房子的長、寬、面積與房間數量四個特征，也就是維度為4維的數據。可以看出來，長與寬事實上與面積表示的信息重疊了，例如面積=長 × 寬。通過降維算法我們就可以去除冗余信息，將特征減少為面積與房間數量兩個特征，即從4維的數據壓縮到2維。于是我們將數據從高維降低到低維，不僅利于表示，同時在計算上也能帶來加速。

　　剛才說的降維過程中減少的維度屬于肉眼可視的層次，同時壓縮也不會帶來信息的損失(因為信息冗余了)。如果肉眼不可視，或者沒有冗余的特征，降維算法也能工作，不過這樣會帶來一些信息的損失。但是，降維算法可以從數學上證明，從高維壓縮到的低維中最大程度地保留了數據的信息。因此，使用降維算法仍然有很多的好處。

　　降維算法的主要作用是壓縮數據與提升機器學習其他算法的效率。通過降維算法，可以將具有幾千個特征的數據壓縮至若干個特征。另外，降維算法的另一個好處是數據的可視化，例如將5維的數據壓縮至2維，然后可以用二維平面來可視。降維算法的主要代表是PCA算法(即主成分分析算法)。

　　6、推薦算法

　　推薦算法是目前業界非常火的一種算法，在電商界，如亞馬遜，天貓，京東等得到了廣泛的運用。推薦算法的主要特征就是可以自動向用戶推薦他們最感興趣的東西，從而增加購買率，提升效益。推薦算法有兩個主要的類別：

　　一類是基于物品內容的推薦，是將與用戶購買的內容近似的物品推薦給用戶，這樣的前提是每個物品都得有若干個標簽，因此才可以找出與用戶購買物品類似的物品，這樣推薦的好處是關聯程度較大，但是由于每個物品都需要貼標簽，因此工作量較大。

　　另一類是基于用戶相似度的推薦，則是將與目標用戶興趣相同的其他用戶購買的東西推薦給目標用戶，例如小A歷史上買了物品B和C，經過算法分析，發現另一個與小A近似的用戶小D購買了物品E，于是將物品E推薦給小A。

　　兩類推薦都有各自的優缺點，在一般的電商應用中，一般是兩類混合使用。推薦算法中最有名的算法就是協同過濾算法。

　　7、其他

　　除了以上算法之外，機器學習界還有其他的如高斯判別，樸素貝葉斯，決策樹等等算法。但是上面列的六個算法是使用最多，影響最廣，種類最全的典型。機器學習界的一個特色就是算法眾多，發展百花齊放。

　　下面做一個總結，按照訓練的數據有無標簽，可以將上面算法分為監督學習算法和無監督學習算法，但推薦算法較為特殊，既不屬于監督學習，也不屬于非監督學習，是單獨的一類。