什么是機(jī)器學(xué)習(xí)

本系列博客為你從機(jī)器學(xué)習(xí)的介紹開(kāi)始，使用大量的代碼實(shí)戰(zhàn)和驗(yàn)證，最終幫助你完全掌握什么是機(jī)器學(xué)習(xí)

人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系

人工智能（Artificial Intelligence，AI）：是一門研究和開(kāi)發(fā)智能機(jī)器或計(jì)算機(jī)程序的科技領(lǐng)域，旨在使這些系統(tǒng)能夠模擬、延伸和擴(kuò)展人類的智能行為。

機(jī)器學(xué)習(xí)（Machine Learning，ML）：是人工智能領(lǐng)域的一個(gè)分支，它專注于研究和開(kāi)發(fā)算法與統(tǒng)計(jì)模型，使得計(jì)算機(jī)系統(tǒng)能夠從數(shù)據(jù)中自動(dòng)“學(xué)習(xí)”規(guī)律、模式和特征，并利用這些學(xué)習(xí)結(jié)果對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)、分類、決策或優(yōu)化任務(wù)，而無(wú)需進(jìn)行顯式的編程。換言之，機(jī)器學(xué)習(xí)致力于創(chuàng)建能夠自我改進(jìn)的程序，其性能隨著經(jīng)驗(yàn)（即數(shù)據(jù)輸入）的增加而不斷提升。

深度學(xué)習(xí)（Deep Learning，DL）：是機(jī)器學(xué)習(xí)的一個(gè)子領(lǐng)域，它受到人腦神經(jīng)網(wǎng)絡(luò)工作原理的啟發(fā)，采用多層非線性模型對(duì)復(fù)雜數(shù)據(jù)進(jìn)行高效表示和分析。在深度學(xué)習(xí)中，構(gòu)建了包含多個(gè)處理層（或稱為隱藏層）的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，這些層次能夠逐級(jí)提取輸入數(shù)據(jù)的特征，從原始信號(hào)逐步轉(zhuǎn)化為越來(lái)越抽象、更具有辨別力的特征表達(dá)。

簡(jiǎn)而言之，人工智能包括了機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)包括了深度學(xué)習(xí)，如下圖所示

巨人的肩膀

這些都是華人在機(jī)器學(xué)習(xí)領(lǐng)域的大牛，我也是通過(guò)他們的課程和文章來(lái)為你展開(kāi)機(jī)器學(xué)習(xí)的介紹，我非常建議你可以根據(jù)我的博客筆記，來(lái)看他們的課程，他們的作品內(nèi)容肯定要比我更優(yōu)秀，如果你在學(xué)習(xí)機(jī)器學(xué)習(xí)過(guò)程中遇到什么問(wèn)題，我也非常歡迎你來(lái)和我進(jìn)行交流。

吳恩達(dá)：斯坦福大學(xué)副教授，前百度大腦的負(fù)責(zé)人與百度首席科學(xué)家。經(jīng)典課程:有監(jiān)督的機(jī)器學(xué)習(xí)：回歸與分類 | Coursera

李航：現(xiàn)任字節(jié)跳動(dòng)科技有限公司人工智能實(shí)驗(yàn)室總監(jiān)，北京大學(xué)、南京大學(xué)客座教授，IEEE 會(huì)士，ACM 杰出科學(xué)家，CCF 高級(jí)會(huì)員。代表作：《 統(tǒng)計(jì)學(xué)習(xí)方法》

周志華：南京大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系主任、人工智能學(xué)院院長(zhǎng)。代表作：《 機(jī)器學(xué)習(xí)》 （西瓜書）

陳天奇：機(jī)器學(xué)習(xí)領(lǐng)域著名的青年華人學(xué)者之一，本科畢業(yè)于上海交通大學(xué)ACM 班，博士畢業(yè)于華盛頓大學(xué)計(jì)算機(jī)系。主要貢獻(xiàn)：設(shè)計(jì)了XGBoost 算法。

何愷明：本科就讀于清華大學(xué)，博士畢業(yè)于香港中文大學(xué)多媒體實(shí)驗(yàn)室。2016 年，加入Facebook AI Research Research（FAIRFAIR）擔(dān)任研究科學(xué)家。主要貢獻(xiàn)：設(shè)計(jì)了ResNets

機(jī)器學(xué)習(xí)的分類

按任務(wù)類型：

• 回歸問(wèn)題：連續(xù)型目標(biāo)變量，如：房?jī)r(jià)預(yù)測(cè)
• 分類問(wèn)題：分類型目標(biāo)變量，如：圖像識(shí)別
• 聚類問(wèn)題：無(wú)需目標(biāo)變量，如：市場(chǎng)細(xì)分、客戶聚類
• 降維問(wèn)題：無(wú)需目標(biāo)變量，高維空間中的數(shù)據(jù)映射到低維空間。

按學(xué)習(xí)方式：

• 有監(jiān)督學(xué)習(xí)：基于一組帶有標(biāo)注的樣本訓(xùn)練模型，然后用該模型對(duì)新的未知結(jié)果的樣本作初預(yù)測(cè)。如：回歸、分類。
• 無(wú)監(jiān)督學(xué)習(xí)：訓(xùn)練樣本的結(jié)果信息是沒(méi)有被標(biāo)注的。如，聚類、降維。
• 強(qiáng)化學(xué)習(xí)：又稱再勵(lì)學(xué)習(xí)、評(píng)價(jià)學(xué)習(xí)或增強(qiáng)學(xué)習(xí)，是機(jī)器學(xué)習(xí)的范式和方法論之一。

你現(xiàn)在無(wú)須立馬掌握這么多的類型的機(jī)器學(xué)習(xí)，在后續(xù)博客中，我會(huì)為你一一講解這些不同的機(jī)器學(xué)習(xí)，在理論和代碼的結(jié)合中讓你更加熟練地掌握機(jī)器學(xué)習(xí)。

基本術(shù)語(yǔ)

• 學(xué)習(xí)（訓(xùn)練）：從數(shù)據(jù)中學(xué)得模型的過(guò)程
• 訓(xùn)練集：參與模型訓(xùn)練的樣本集合
• 測(cè)試：學(xué)得模型后，使用其樣本進(jìn)行預(yù)測(cè)的過(guò)程
• 測(cè)試集：被預(yù)測(cè)的樣本集合
• 假設(shè)：學(xué)得模型對(duì)應(yīng)的關(guān)于數(shù)據(jù)的某種潛在規(guī)律
• 泛化能力：學(xué)得模型適用于新樣本的能力
• 獨(dú)立同分布：樣本空間的全體樣本都服從一個(gè)未知的分布，且相互獨(dú)立

這些基本術(shù)語(yǔ)都很簡(jiǎn)單，我也會(huì)在后面的例子中為你詳細(xì)介紹它們。