机器学习

近十年来人工智能越来越热门，在我们的日常学习中，我们经常听到一大堆专有名词，像人工智能，机器学习，监督学习，非监督学习，深度学习，强化学习这些， 那它们之间存在什么样的关系呢？

监督学习: 根据输入数据与标注之间的关系从而建立模型进行标注的预测

无监督学习: 无标注,仅根据数据自身的规律寻找关系

强化学习: AI不断与环境进行交互自己产生数据,并根据环境的反馈进行学习

通过上图，我们可以看到它们其实都是学习，那么什么是学习？

学习的整个过程应该包含输入，处理，输出，反思。比如说，读书，思考，做笔记，应用到实际，再反思。

学：输入。 习：输出实践

我们所讲的机器学习，其实就是让机器去学习，当然我这里说的是一句废话。

简单来说，就是我们给机器输入一些数据，机器通过某种方式对数据进行运算，然后输出结果，根据这个结果我们就可以解决预测和分类等问题。

为什么要学习

人类要生存， 每时每刻遇到的问题和发生的事件，都是不确定的未知的。 无法提前给出所有问题的解决办法， 我们需要学习出一种解决问题的模型或者说是思路，套用这个思路就可以解决未知的问题。

下面我们来举个栗子吧！ 每天我都想多睡一会， 所以我想预测小车到达小区门口的时间

通过旧的问题和答案, 学习出来的规律. 应用规律去解决新的问题,得到新的预测.

我们预测校车到达时间, 7:30出发,从A—->B, 预测到达B地的时间. 第一次乘车, 我们预测可能不太准, 但是随着乘车经验的增加, 我们对这条线路越来越书序, 预测就会越来越准确

机器学习

让机器具有自我学习的能力, 程序的执行结果跟机器获取的数据量有关,增加新的输入, 可以生成新的模型,最终程序执行的结果也就会发生变化. 就像我们人只要不停的接受新的知识, 我们就会对事物有新的认知.

机器学习实际上包含很多数学方法, 会涉及到统计学,概率论,信息论等知识. 利用已知的数据,创建一种模型,最终利用这种模型进行相应的预测.

机器学习： 用大量数据进行训练， 获取到一个数据模型，预测就是应用训练的模型，来解决一个未知的问题

学习方法

那么我们如何去学习机器学习呢？

我们应该尝试去理解原理， 通过简单的输入与输出， 理解数学背后的原理， 我们是为了解决实际问题，才使用数学的，我们应当避免抽象数学以及理论数学。

对于数学公式， 用实际案例去理解计算过程，不畏惧算法，不畏惧论文，不对公式进行数学证明， 靠编写程序直接验证。

机器学习的步骤：

1. 确定与问题相关的数据（明确输入）
2. 收集与问题相关的数据（数据准备，学）
3. 分析预测结果的类型（分类，回归，是预测天气，还是判断是或否）
4. 根据预测结果的类型，选择合适的算法（套路），找到输入和输出之间的关系
5. 用这个算法（套路）去解决新的问题（习）

市面上很多机器学习教程都是从第3步开始的，实际开发中1，2两步同样是非常重要的。

理解常用术语

feature和label

feature是特征是自变量。label是标签的意思，是因变量

用我们最熟悉的直线方程y = mx + b 来解释的话，其中x是特征，它是自变量，是函数的输入，y 是因变量，是输出的结果

feature: 自变量，输入

label: 因变量，输出

$ f(feature) = label <===> f(x) = y$

举个栗子吧： %20%3D%20%E7%BB%8F%E6%B5%8E%E6%8D%9F%E5%A4%B1#card=math&code=f%28%E6%B5%B7%E5%95%B8%E7%AD%89%E7%BA%A7%29%20%3D%20%E7%BB%8F%E6%B5%8E%E6%8D%9F%E5%A4%B1&id=BG2Hk)

两大问题

机器学习解决的是两大类问题，一个是分类问题，另外一个是回归

分类问题：classification, 数据结果往往是离散的

• 根据学习努力请款，判断是否能通过考试
• 根据email内容，判断是否为垃圾邮件

回归问题： regression, 数据往往是连续的

• 根据车的品牌，车龄，型号，预测车的价值
• 根据每天卡路里摄入以及运动量，预测一周后的体重
• 基于树的直径，预测树的年龄

注意事项

1. 输入输出，就是自变量和因变量， 对应feature和label
2. 数据集必须是规范，格式统一的，方便计算机处理
3. 分类的问题答案是有限个，可以理解成选择题和判断题， 回归的问题，答案不能用简单的分类来描述
4. 确定feature和label之间的关系，有无数种的算法， 每种算法都有自己的优缺点
5. 根据预测的情况，我们可能需要重新调整算法和生成的模型