[提前声明]
文章由作者:张耀峰 结合自己生产中的使用经验整理,最终形成简单易懂的文章
写作不易,转载请注明,谢谢!
代码案例地址: ?https://github.com/Mydreamandreality/sparkResearch
快速入门机器学习
计算机科学之父 艾伦 ’ 图灵很早就曾预测,有一天,人们会带着电脑在公园散步,并且告诉对方,今早我的计算机讲了一个很有趣的事情
- 机器学习的核心就在于:用算法解析数据,从中学习,然后对某些事物做出决定和预测,很显然,这代表着我们无需明确的编码来执行任务,而是教计算机如何开发算法来完成任务
- 机器学习主要有四种类型:
- 监督学习
- 半监督学习
- 无监督学习
- 强化学习
监督学习:
- 从给定的训练数据集中学习出一个函数,当新的数据到来,可以根据这个函数预测结果,监督学习的训练集要求是包括输入和输出,也可以说是特征和目标,常见的监督算法包括回归分析和统计分类
统计分类
- 举个栗子,比如我们最常用到的垃圾邮箱过滤器,过滤器会分析之前标记为垃圾邮件的邮件,并且和新的邮件进行对比,如果达到某个百分比,则新的邮件也会被标记为垃圾邮件,拦截到邮箱的垃圾箱中,不像垃圾邮件的邮件会被
归类为正常邮件,并且进行发送
回归分析
- 在回归中,机器使用先前标注的数 据进行未来预测,比如天气应用,利用天气的相关历史数据,对一定范围内的天气进行预测
无监督学习:
- 在无监督学习中,数据是未标注的,考虑我们现实中,大多的数据都是未标注的,所以这种算法特别的有用,常见的无监督算法包括聚类和降维
聚类
- 聚类根据属性和行为对象进行分组,与分类不同,这些组不会提供给你,聚类把一个组划分成不同的子组,进行针对性营销
降维
- 降维通过查找共性,减少数据集的变量,以此来识别趋势和规则\
半监督学习:
- 介于监督学习与无监督学习之间
强化学习
- 强化学习是机器学习中的一个领域,它强调如何基于环境而行动,逐步调整其行为,并且评估每个行动之后的回馈是正向还是负向的,以此获得最大的预期利益
- 说的通俗一些,强化学习最典型的案例就是游戏,它和监督,无监督学习相反,强化学习不重视提供正确的答案和输出,举个栗子,如果我们在玩CS游戏,每次我从中路跳出去都会死,这给我的回馈是负向的,那么之后我就会调整我自身的位置,不去中路,去A大或者B沟,在这个之上,加入其它的算法,在游戏中机器就可以击败人类玩家
咦?你说的为什么很像人工智能AI呢,请看机器学习的定义↓
机器学习的定义
- 机器学习是一门人工智能的科学,该领域的研究对象是人工智能
- 机器学习是对能通过经验自动改进的计算机算法的研究
- 机器学习是用数据或者以往的经验,以优化计算机程序性能的标准
机器学习是人工智能的一个分支,人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。显然，机器学习是实现人工智能的一个途径，即以机器学习为手段解决人工智能中的问题。机器学习在近30多年已发展为一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法
算法
如果想要完全入门机器学习,需要对一些关键的数学概念有基本了解,算法是必不可少的,涉及到一些线性代数,微积分,概率,统计等
- 具体的机器学习算法有：[包括但不限于以下]
- 构造间隔理论分布：聚类分析和模式识别
- 人工神经网络
- 决策树
- 感知器
- 支持向量机
- 集成学习AdaBoost
- 降维与度量学习
- 聚类
- 贝叶斯分类器
- 构造条件概率：回归分析和统计分类
- 高斯过程回归
- 线性判别分析
- 最近邻居法
- 径向基函数核
- 通过再生模型构造概率密度函数：
- 最大期望算法
- 概率图模型：包括贝叶斯网和Markov随机场
- Generative Topographic Mapping
- 近似推断技术：
- 马尔可夫链
- 蒙特卡罗方法
- 变分法
- 最优化：大多数以上方法，直接或者间接使用最优化算法
有基础的兄弟搞起来会很轻松,没基础的也不用怕
现在网上一大堆学习的资料,只要你下功夫啃一啃,总是能学会的
也可以关注一些公众号,自己每天刷一道算法题,慢慢提升自己,加油
下一章我们做一个机器学习的入门案例
