毫無疑問，機(jī)器學(xué)習(xí)/人工智能的子領(lǐng)域在過去幾年越來越受歡迎。目前大數(shù)據(jù)在科技行業(yè)已經(jīng)炙手可熱，而基于大量數(shù)據(jù)來進(jìn)行預(yù)測(cè)或者得出建議的機(jī)器學(xué)習(xí)無疑是非常強(qiáng)大的。一些最常見的機(jī)器學(xué)習(xí)例子，比如Netflix的算法可以根據(jù)你以前看過的電影來進(jìn)行電影推薦，而Amazon的算法則可以根據(jù)你以前買過的書來推薦書籍。

所以如果你想了解更多有關(guān)機(jī)器學(xué)習(xí)的內(nèi)容，那么你該如何入門？對(duì)于我來說，我的入門課程是我在哥本哈根出國(guó)留學(xué)時(shí)參加的人工智能課。當(dāng)時(shí)我的講師是丹麥技術(shù)大學(xué)（Technical University of Denmark）的應(yīng)用數(shù)學(xué)和計(jì)算機(jī)科學(xué)的全職教授，他的研究方向是邏輯與人工智能，側(cè)重于使用邏輯學(xué)來對(duì)人性化的規(guī)劃、推理和解決問題進(jìn)行建模。這個(gè)課程包括對(duì)理論/核心概念的討論和自己動(dòng)手解決問題。我們使用的教材是AI經(jīng)典之一：Peter Norvig的Artificial Intelligence—A Modern Approach（中文譯本：《人工智能：一種現(xiàn)代的方法》），這本書主要講了智能體、搜索解決問題、對(duì)抗搜索、概率論、多智能體系統(tǒng)、社會(huì)AI和AI的哲學(xué)/倫理/未來等等。在課程結(jié)束時(shí)，我們?nèi)齻€(gè)人的團(tuán)隊(duì)實(shí)現(xiàn)了一個(gè)簡(jiǎn)單的編程項(xiàng)目，也就是基于搜索的智能體解決虛擬環(huán)境中的運(yùn)輸任務(wù)問題。

在那門課程上我已經(jīng)學(xué)到了很多知識(shí)，并決定繼續(xù)學(xué)習(xí)相關(guān)的課題。在過去的幾個(gè)星期里，我在舊金山參加了多次相關(guān)的技術(shù)講座，涉及到深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和數(shù)據(jù)結(jié)構(gòu)，并且參加了一個(gè)有很多該領(lǐng)域的知名專家學(xué)者參加的機(jī)器學(xué)習(xí)會(huì)議。最重要的是，我在6月初參加了Udacity上的Intro to Machine Learning（機(jī)器學(xué)習(xí)入門）在線課程，前幾天才完成。在這篇文章中，我想分享一下我從課程中學(xué)到的一些最常用的機(jī)器學(xué)習(xí)算法。

機(jī)器學(xué)習(xí)算法可以分為三大類：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)可用于一個(gè)特定的數(shù)據(jù)集（訓(xùn)練集）具有某一屬性（標(biāo)簽），但是其他數(shù)據(jù)沒有標(biāo)簽或者需要預(yù)測(cè)標(biāo)簽的情況。無監(jiān)督學(xué)習(xí)可用于給定的沒有標(biāo)簽的數(shù)據(jù)集（數(shù)據(jù)不是預(yù)分配好的），目的就是要找出數(shù)據(jù)間的潛在關(guān)系。強(qiáng)化學(xué)習(xí)位于這兩者之間，每次預(yù)測(cè)都有一定形式的反饋，但是沒有精確的標(biāo)簽或者錯(cuò)誤信息。因?yàn)檫@是一個(gè)介紹課程，我沒有學(xué)習(xí)過強(qiáng)化學(xué)習(xí)的相關(guān)內(nèi)容，但是我希望以下10個(gè)關(guān)于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的算法足以讓你感興趣。

監(jiān)督學(xué)習(xí)

1.決策樹（Decision Trees）

決策樹是一個(gè)決策支持工具，它使用樹形圖或者決策模型以及可能性序列，包括偶然事件的結(jié)果、資源成本和效用。下圖是其基本原理：

從業(yè)務(wù)決策的角度來看，決策樹是人們必須了解的最少的是/否問題，這樣才能評(píng)估大多數(shù)時(shí)候做出正確決策的概率。作為一種方法，它允許你以結(jié)構(gòu)化和系統(tǒng)化的方式來解決問題，從而得出合乎邏輯的結(jié)論。

2.樸素貝葉斯分類（Naive Bayesian classification）

樸素貝葉斯分類器是一類簡(jiǎn)單的概率分類器，它基于貝葉斯定理和特征間的強(qiáng)大的（樸素的）獨(dú)立假設(shè)。圖中是貝葉斯公式，其中P（A|B）是后驗(yàn)概率，P（B|A）是似然，P（A）是類先驗(yàn)概率，P（B）是預(yù)測(cè)先驗(yàn)概率。

一些應(yīng)用例子：

判斷垃圾郵件

對(duì)新聞的類別進(jìn)行分類，比如科技、政治、運(yùn)動(dòng)

判斷文本表達(dá)的感情是積極的還是消極的

人臉識(shí)別

3.最小二乘法（Ordinary Least Squares Regression）

如果你懂統(tǒng)計(jì)學(xué)的話，你可能以前聽說過線性回歸。最小二乘法是一種計(jì)算線性回歸的方法。你可以將線性回歸看做通過一組點(diǎn)來擬合一條直線。實(shí)現(xiàn)這個(gè)有很多種方法，“最小二乘法”就像這樣：你可以畫一條直線，然后對(duì)于每一個(gè)數(shù)據(jù)點(diǎn)，計(jì)算每個(gè)點(diǎn)到直線的垂直距離，然后把它們加起來，那么最后得到的擬合直線就是距離和盡可能小的直線。

線性指的是你用來擬合數(shù)據(jù)的模型，而最小二乘法指的是你最小化的誤差度量。

4.邏輯回歸（Logistic Regression）

邏輯回歸是一個(gè)強(qiáng)大的統(tǒng)計(jì)學(xué)方法，它可以用一個(gè)或多個(gè)解釋變量來表示一個(gè)二項(xiàng)式結(jié)果。它通過使用邏輯函數(shù)來估計(jì)概率，從而衡量類別依賴變量和一個(gè)或多個(gè)獨(dú)立變量之間的關(guān)系，后者服從累計(jì)邏輯分布。

總的來說，邏輯回歸可以用于以下幾個(gè)真實(shí)應(yīng)用場(chǎng)景：

信用評(píng)分

計(jì)算營(yíng)銷活動(dòng)的成功率

預(yù)測(cè)某個(gè)產(chǎn)品的收入

特定的某一天是否會(huì)發(fā)生地震

5.支持向量機(jī)（Support Vector Machine，SVM）

SVM是二進(jìn)制分類算法。給定N維坐標(biāo)下兩種類型的點(diǎn)，SVM生成（N-1）維的超平面來將這些點(diǎn)分成兩組。假設(shè)你在平面上有兩種類型的可以線性分離的點(diǎn)，SVM將找到一條直線，將這些點(diǎn)分成兩種類型，并且這條直線盡可能遠(yuǎn)離所有這些點(diǎn)。

從規(guī)模上看，使用SVM（經(jīng)過適當(dāng)?shù)男薷模┙鉀Q的一些最大的問題包括顯示廣告、人類剪切位點(diǎn)識(shí)別（human splice site recognition）、基于圖像的性別檢測(cè)，大規(guī)模圖像分類……

6.集成方法（Ensemble methods）

集成方法是學(xué)習(xí)算法，它通過構(gòu)建一組分類器，然后通過它們的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)投票來對(duì)新的數(shù)據(jù)點(diǎn)進(jìn)行分類。原始的集成方法是貝葉斯平均，但是最近的算法包括糾錯(cuò)輸出編碼、Bagging和Boosting。

那么集成方法如何工作？并且為什么它們要優(yōu)于單個(gè)模型？

它們平均了單個(gè)模型的偏差：如果你將民主黨的民意調(diào)查和共和黨的民意調(diào)查在一起平均化，那么你將得到一個(gè)均衡的結(jié)果，不偏向任何一方。

它們減少了方差：一組模型的總體意見比其中任何一個(gè)模型的單一意見更加統(tǒng)一。在金融領(lǐng)域，這就是所謂的多元化，有許多股票的組合比一個(gè)單獨(dú)的股票的不確定性更少，這也為什么你的模型在數(shù)據(jù)多的情況下會(huì)更好的原因。

它們不太可能過擬合：如果你有單個(gè)的模型沒有過擬合，那么把這些模型的預(yù)測(cè)簡(jiǎn)單結(jié)合起來（平均、加權(quán)平均、邏輯回歸），那么最后得到的模型也不會(huì)過擬合。

無監(jiān)督學(xué)習(xí)

7.聚類算法（Clustering Algorithms）

聚類是將一系列對(duì)象分組的任務(wù)，目標(biāo)是使相同組（集群）中的對(duì)象之間比其他組的對(duì)象更相似。

每一種聚類算法都不相同，下面是一些例子：

基于質(zhì)心的算法

基于連接的算法

基于密度的算法

概率

降維

神經(jīng)網(wǎng)絡(luò)/深度學(xué)習(xí)

8.主成分分析（Principal Component Analysis，PCA）

PCA是一個(gè)統(tǒng)計(jì)學(xué)過程，它通過使用正交變換將一組可能存在相關(guān)性的變量的觀測(cè)值轉(zhuǎn)換為一組線性不相關(guān)的變量的值，轉(zhuǎn)換后的變量就是所謂的主分量。

PCA的一些應(yīng)用包括壓縮、簡(jiǎn)化數(shù)據(jù)便于學(xué)習(xí)、可視化等。請(qǐng)注意，領(lǐng)域知識(shí)在選擇是否繼續(xù)使用PCA時(shí)非常重要。 數(shù)據(jù)嘈雜的情況（PCA的所有成分具有很高的方差）并不適用。

9.奇異值分解（Singular Value Decomposition，SVD）

在線性代數(shù)中，SVD是復(fù)雜矩陣的因式分解。對(duì)于給定的m * n矩陣M，存在分解使得M=UΣV，其中U和V是酉矩陣，Σ是對(duì)角矩陣。

實(shí)際上，PCA是SVD的一個(gè)簡(jiǎn)單應(yīng)用。在計(jì)算機(jī)視覺中，第一個(gè)人臉識(shí)別算法使用PCA和SVD來將面部表示為“特征面”的線性組合，進(jìn)行降維，然后通過簡(jiǎn)單的方法將面部匹配到身份，雖然現(xiàn)代方法更復(fù)雜，但很多方面仍然依賴于類似的技術(shù)。

10.獨(dú)立成分分析（Independent Component Analysis，ICA）

ICA是一種統(tǒng)計(jì)技術(shù)，主要用于揭示隨機(jī)變量、測(cè)量值或信號(hào)集中的隱藏因素。ICA對(duì)觀測(cè)到的多變量數(shù)據(jù)定義了一個(gè)生成模型，這通常是作為樣本的一個(gè)大的數(shù)據(jù)庫。在模型中，假設(shè)數(shù)據(jù)變量由一些未知的潛在變量線性混合，混合方式也是未知的。潛在變量被假定為非高斯分布并且相互獨(dú)立，它們被稱為觀測(cè)數(shù)據(jù)的獨(dú)立分量。

ICA與PCA有關(guān)，但是當(dāng)這些經(jīng)典方法完全失效時(shí)，它是一種更強(qiáng)大的技術(shù)，能夠找出源的潛在因素。 其應(yīng)用包括數(shù)字圖像、文檔數(shù)據(jù)庫、經(jīng)濟(jì)指標(biāo)和心理測(cè)量。

現(xiàn)在運(yùn)用你對(duì)這些算法的理解去創(chuàng)造機(jī)器學(xué)習(xí)應(yīng)用，為世界各地的人們帶來更好的體驗(yàn)吧。