機器學習你不得不看的幾個知識點！保證能夠吹牛逼

為了感謝我僅有的2個粉絲，並且希望能多那麼幾個粉絲的情況下，今天我再次來一點乾貨，助大家在和別人討論機器學習的不至於一無所知，或者能夠讓人刮目相看。

機器學習在當今商業領域越來越多的行業佔據著創新的前沿。但是，如果將機器學習視為一種單一的商業解決方案是一個錯誤的觀念——機器學習有很多種形式，每種形式都有能力解決不同的問題。當今商業中最常用的機器學習（ML）形式有監督，無監督，半監督和強化學習。本文通過我的學習和經驗，揭示了ML的四種常用方法，介紹了每種技術的實際應用，以便大家能夠簡單的了解。

機器學習一瞥

機器學習是人工智慧的一種方法，它借鑒了計算機科學和統計學的原理來模擬數據中的關係，與其他將人類知識提煉為明確規則的AI系統（例如專家系統）不同，ML指示演算法通過分析數據為自己學習。處理的數據越多，演算法就越聰明。

機器學習不是一個新概念。其理論基礎奠定於20世紀50年代，當時阿蘭·圖靈將「 學習機 」 （learning machine）概念化，不久之後，弗蘭克羅森布拉特發明了「 感知器 」（perceptron）來大致模擬大腦的學習過程。接下來還有更多演算法，但機器學習直到最近才在很大程度受到學術界的重視。隨著數據可用性和計算能力的爆炸式增長，企業最終有可能大規模部署機器學習。以下是機器學習的幾大演算法：

監督學習

如果你知道你想要預測哪個指標並且使用該指標標記了示例，則監督式學習是最佳方法。監督演算法顯示了一組樣本數據的「正確答案」，並找到了近似輸入和輸出之間關係的函數。這個函數映射採用一般形式y = f（x）——指定你的目標輸出y，提供你的輸入x，ML演算法將通過查找數據中的模式來學習最優f（）。

監督學習輸出通常有兩種形式之一。回歸輸出是存在於連續空間中的實數值。例如，許多電子商務客戶希望預測每個客戶可能花費多少錢，以便高價值客戶可以以個性化促銷優惠為目標。一個簡單的線性回歸通過熟悉的公式y = mx + b來解決這個問題，其中y是預測支出，x是每個客戶的一些屬性——比如說網站訪問次數。事實上，回歸模型可能會輸入數百個客戶屬性，每個客戶屬性都有自己的參數，但演算法的行動機制仍然相同。

另一方面，分類輸出則屬於離散類別。例如，訂閱客戶通常希望確定最佳的溝通渠道來覆蓋和保留每個用戶，比如說電子郵件或推送通知。線性分類演算法通過繪製每個用戶的屬性並找出將數據根據其標籤分成兩組的數據線來區分兩者。已知對電子郵件有響應的用戶會落在該線的一側，而那些對推送做出響應的用戶則會落在另一側。

流行的監督學習演算法：

無監督學習

當訓練數據沒有用於演算法預測的特定標籤時，使用無監督學習。如果沒有「正確答案」進行訓練，無監督演算法的工作就會聚集數據，以揭示新的規則和模式。通過查找數據中的固有結構，可以獲得重要而實用的見解，從檢測出標記目標數據的異常，到揭示您的最佳客戶的共同點。

流行的無監督學習演算法：

半監督學習

大規模收集標籤數據對許多商業組織來說都是一個挑戰，但未標記的數據相對豐富。半監督學習利用這些豐富的未標記數據來更好地理解人口結構和分布。例如，提供住房貸款的銀行可能希望識別哪些客戶擁有房屋，但可能獲得這些信息的機會有限。在半監督方法下，演算法首先使用從標記數據中獲得的信息來預測未標記數據的房屋所有權。接下來，標記數據和預測數據都通過監督框架來學習房主識別模型。儘管之前從未被評估過，

流行的半監督學習演算法：

強化學習

強化學慣用於計算機是代理與其環境進行交互以追求目標的情況。在這裡，反饋是關鍵因素。該演算法不是被證明是一個「正確答案」，而是提供了一個獎勵信號，用於評估和調整其方法。憑藉經驗，該演算法可以了解哪個操作序列為其提供最大化獎勵和實現其目標的最佳機會。

強化學習通常需要大量的數據，但不會強迫您的企業對其目標高度具體化。比如說一些自動駕駛車輛學習駕駛，指示這些汽車只在兩個廣泛的條件下從A點到B點：遵守道路規則，不要撞車。剩下的是通過反覆試驗學到的。谷歌有名的AlphaGo程序也學會了使用增強技術來玩圍棋。只有遊戲的規則和贏得勝利的目標，AlphaGo了解到哪些舉措傾向於最大化其成功機會。在第一步行動僅兩年之後，AlphaGo就在這幾年聞名於世界。

流行的強化學習演算法：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！