机器学习工程师务必要得知的十种算法

作者:课课家教育更新于： 2017-05-04 10:13:09

　　毫无疑问，近些年机器学习和人工智能领域受到了越来越多的关注。随着大数据成为当下工业界最火爆的技术趋势，机器学习也借助大数据在预测和推荐方面取得了惊人的成绩。比较有名的机器学习案例包括Netflix根据用户历史浏览行为给用户推荐电影，亚马逊基于用户的历史购买行为来推荐图书。

　　那么，如果你想要学习机器学习的算法，该如何入门呢?就我而言，我的入门课程是在哥本哈根留学时选修的人工智能课程。老师是丹麦科技大学应用数学和计算机专业的全职教授，他的研究方向是逻辑学和人工智能，主要是用逻辑学的方法来建模。课程包括了理论/核心概念的探讨和动手实践两个部分。

　  机器学习算法通常可以被分为三大类 —— 监督式学习，非监督式学习和强化学习。监督式学习主要用于一部分数据集(训练数据)有某些可以获取的熟悉(标签)，但剩余的样本缺失并且需要预测的场景。非监督式学习主要用于从未标注数据集中挖掘相互之间的隐含关系。强化学习介于两者之间 —— 每一步预测或者行为都或多或少有一些反馈信息，但是却没有准确的标签或者错误提示。由于这是入门级的课程，并没有提及强化学习，但我希望监督式学习和非监督式学习的十个算法足够吊起你的胃口了。

　　机器学习基本简介：

　　学习能力是智能行为的一个非常重要的特征，但至今对学习的机理尚不清楚。人们曾对机器学习给出各种定义。H.A.Simon认为，学习是系统所作的适应性变化，使得系统在下一次完成同样或类似的任务时更为有效。R.s.Michalski认为，学习是构造或修改对于所经历事物的表示。从事专家系统研制的人们则认为学习是知识的获取。这些观点各有侧重，第一种观点强调学习的外部行为效果，第二种则强调学习的内部过程，而第三种主要是从知识工程的实用性角度出发的。

　　机器学习在人工智能的研究中具有十分重要的地位。一个不具有学习能力的智能系统难以称得上是一个真正的智能系统，但是以往的智能系统都普遍缺少学习的能力。例如，它们遇到错误时不能自我校正;不会通过经验改善自身的性能;不会自动获取和发现所需要的知识。它们的推理仅限于演绎而缺少归纳，因此至多只能够证明已存在事实、定理，而不能发现新的定理、定律和规则等。随着人工智能的深入发展，这些局限性表现得愈加突出。正是在这种情形下，机器学习逐渐成为人工智能研究的核心之一。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。

     自从1980年在卡内基梅隆大学召开第一届机器学习研讨会以来，机器学习的研究工作发展很快，已成为中心课题之一。随着机器学习的蓬勃发展，人们在工作中累积了大量可供测试算法的数据集或者超大数据集，机器学习工作者在此基础上可以进行更精准的研究，例如ICCV2011年马尔奖：相对属性的数据;AOL-user-ct-collection数据集;科雷尔图片特征数据集(UCI);植被型数据集(UCI)等等。

　　机器学习的研究是根据生理学、认知科学等对人类学习机理的了解，建立人类学习过程的计算模型或认识模型，发展各种学习理论和学习方法，研究通用的学习算法并进行理论上的分析，建立面向任务的具有特定应用的学习系统。这些研究目标相互影响相互促进。

      机器学习解析：

　　机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

     它是人工智能的核心，是使计算机具有智能的根本途径。它的应用已遍及人工智能的各个分支，如专家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。其中尤其典型的是专家系统中的知识获取瓶颈问题，人们一直在努力试图采用机器学习的方法加以克服。

      用交互式图形探索一个五百年前的脑洞

　　1533年一个叫(小)霍尔拜因的德国画家画了一幅油画，名为《大使们》(The Ambassadors)。这幅画的主角是二脸懵圈的大使，长这样：

　　这位画家的一个显著特点就是画工极其精良，上面这幅画中的细节之清晰简直让人惊愕，感兴趣的可以去搜了原图来放大了仔细看：大使衣服上的一根根毛发、地球仪上的国界线、展开的乐谱、那个不知道是什么葫芦瓢乐器上断了的一根弦，等等。这特么是人画出来的么。

　　撇开油画的质量先不谈，相信读者第一眼看到这幅图时一定会感觉有什么奇怪的东西混进来了。没错，图的下方，地毯上那是一坨什么鬼。此刻，电脑/手机屏前的你，和二位大使一起，吉祥三宝，三脸懵圈。

　　一个很有意思的问题：找到另一个你的概率有多大?

　　寻找世界上另一个你的概率有多大?这是个很有意思的问题。​或许某一天，当我们进入更加发达的数字时代时，可能所有人的面部图像都会被上传到网络上。到时，通过图像的比较，我们或许能得到每个人是否有分身这个问题的答案。

　　你的面容出现在身份证上，出现在护照上，多年之后老朋友在街上认出你来，依据的也是你的面容。面容还是识别犯罪嫌疑人时的依据。你的身份与面容的联系如此紧密，或许在不久的将来，你就可以用脸孔识别给智能手机解锁，或者进入办公场所，甚至可以“刷脸”购物。所有这些设想的基础，是每个人的面容都是独一无二的。然而，有时候这仅仅是一个错觉，可能哪一天你就可能遇见自己的另一个分身。

     小结：如果对机器学习有兴趣,当拥有最基础的知识之后,就可以尝试对某个感兴趣的子领域展开一些研究,利用问题驱动自己,逐渐形成self-motivation。当然如果大家想要了解更多相关方面的详细内容，请关注课课家教育平台哦~